عنوان پایان‌نامه
شناسایی نوع سنگ از نظر رفتار مخزنی با رویکرد ترکیب اطلاعات
- رشته تحصیلی
- مهندسی اکتشاف نفت
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 2479;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 60171
- تاریخ دفاع
- ۱۲ شهریور ۱۳۹۲
- دانشجو
- مهرنوش علی پورشهسواری
- استاد راهنما
- حسین معماریان
- چکیده
- مدیریت صحیح مخازن هیدروکربوری با داشتن دانش صحیح و تصویری واقعی و دقیق از خصوصیات مخزن امکان پذیر است. براین اساس تعیین ارتباط بین ویژگی‌های پتروفیزیکی و شناسایی بخش‌هایی از مخزن که دارای رفتارهای مشابهی هستند امکان تفسیر دقیق‌تر و کاربردی‌تر مخازن را مهیا می‌کند. تفکیک بخش‌های مختلف مخزن به لحاظ خصوصیات تخلخل و تراوایی تحت عنوان راک‌تایپ‌های پتروفیزیکی قابل بررسی است. هدف از انجام این پایان‌نامه شناسایی واحدهای مذکور بااستفاده از الگوریتم خوشه‌بندی، روش هوشمند فازی- عصبی درخت مدل خطی محلی و روش ترکیب اطلاعات است. تفکیک مخزن به بخش‌های هموژن به لحاظ ویژگی‌های پتروفیزیکی و در واقع شناسایی راک‌تایپ‌های پتروفیزیکی با استفاده از معادله وینلند انجام شده است. براساس این معادله، شاخصی محاسبه می‌شود که به آن شاخص R35 می‌گویند. بخش‌های مختلف یک مخزن که به لحاظ خصوصیات تخلخل و تراوایی دارای ویژگی‌های یکسانی هستند، دارای شاخص R35 یکسانی هستند. الگوریتم خوشه‌بندی مورد استفاده، الگوریتم گوستافسون‌کسل است که قادر به شناسایی خوشه‌هایی با ساختارهای غیر کروی و نیز خطی می‌باشد. روش درخت مدل خطی محلی یا لولیموت یک تکنیک هوشمند فازی-عصبی است که براساس سیستم تقسیم و تسخیر کار می‌کند. در واقع این روش با شکستن مساله پیچیده اصلی به بخش‌های کوچک‌تر، با دقت بالاتری پارامترهای مورد نظر را تخمین می‌زند. با استفاده از این الگوریتم راک‌تایپ‌های پتروفیزیکی شناسایی وتفکیک شدند. در این مرحله مخزن مورد بررسی به سه زون مختلف مخزنی تقسیم شد در انتها نیز به منظور بهبود نتایج حاصل، مجددا با روش شبکه عصبی چندلایه MLP، راک‌تایپ‌های پتروفیزیکی محاسبه و نتایج حاصل از آن توسط تکنیک ترکیب اطلاعات سوگنو (در سطح تصمیم) با روش لولیموت ترکیب شد. نتایج بدست آمده از اعمال روش‌های فوق بر روی مجموعه داده‌ها بدین شرح است. میزان ضریب همبستگی و ضریب صحت بدست آمده بین داده‌های حاصل از مغزه و نتایج تخمین‌زده شده، پس از اعمال خوشه‌بندی بر روی داده‌ها به ترتیب در چاه‌های شماره 1 تا 5 برابر با، 78% و 03/1 در چاه یک، 73% و 07/1 در چاه دو، 89% و 99/0 در چاه شماره سه، 75% و 08/1 در چاه چهار و 75% و 98/0 در چاه پنج است. لازم به ذکر است که در چاه‌های شماره یک و دو به علت کم بودن تعداد داده‌های مغزه از اعمال روش‌های خوشه‌بندی خودداری شده است. پس از حصول نتایج فوق، تخمین‌گر لولیموت بر روی داده‌های حاصل از چاه‌نگارهای پتروفیزیکی نیز اعمال شد و با تخمین تخلخل و تراوایی در هر چاه، راک‌تایپ‌های پتروفیزیکی از یکدگیر تفکیک شدند. همان‌طور که ذکر شد، راک‌تایپ‌های پتروفیزیکی مشابه دارای شاخص R35 یکسانی هستند و تفکیک راک‌تایپ‌ها از هم براساس مقادیر مختلف این شاخص انجام می‌گیرد. قابلیت برازش یک خط با شاخص R35 یکسان در مرز بین دو راک‌تایپ پتروفیزیکی در هر چاه محاسبه شد که نتایج آن نیز بدین شرح بدست آمد؛ در چاه یک، دو راک‌تایپ پتروفیزیکی شناسایی شد و میزان ضریب همبستگی برابر با 84/0R2= بدست آمد. در چاه شماره دو نیز دو راک‌تایپ با ضریب همبستگی 83/0R2= شناسایی شد. در چاه سه، سه راک‌تایپ با ضرایب 82/0R2= و 78/0R2=، در چاه چهار، سه راک‌تایپ با ضرایب 81/0R2= و 72/0R2= و در نهایت در چاه پنج نیز سه راک‌تایپ با ضرایب همبستگی 88/0 R2=و 87/0R2= شناسایی و تفکیک شدند. در مرحله بعد تعمیم‌پذیری روش مذکور مورد بررسی قرار گرفت که میزان ضریب صحت (شیب خط) بدست آمده برای حالتی که یکی از چاه‌ها به عنوان چاه آزمایش و سایر چاه‌ها به عنوان چاه آزمون در نظر گرفته می‌شدند، بدین صورت بدست آمد؛ در چاه یک، 85/0، در چاه دو، 91/0، در چاه سه، 97/0، در چاه چهار، 09/1 و در چهار پنج نیز برابر با 91/0 شد. سپس به منظور بررسی امکان بهبود نتایج فوق با روش‌های ترکیب اطلاعات، نتایج بدست آمده با تخمین‌گر شبکه عصبی چندلایه نیز ترکیب شد، اما میزان خطای محاسباتی روش مذکور و روش لولیموت تقریبا در تمام موارد مشابه یکدیگر بدست. کلمات کلیدی: راک‌تایپ‌های پتروفیزیکی- الگوریتم خوشه‌بندی گوستافسون‌کسل-تخمین‌گر فازی-عصبی درخت مدل خطی محلی- تکنیک ترکیب اطلاعات سوگنو (در سطح تصمیم)
- Abstract
- Accurate management of hydrocarbon reservoirs characteristics needs precise knowledge and real understanding of reservoir specifications. In this regard, finding relationships among petrophysical features and differentiating horizons with similar behavior can provide a more accurate and applicable reservoir interpretation. Segregating different parts of a reservoir based on porosity and permeability can be assessed by petrophysical rock types. The main goal of this study is recognizing rock types, using clustering algorithm, intelligent neuro-fuzzy local linear model tree and data fusion methods. Separation of the reservoir into homogeneous parts based on petrophysical characteristics or petrophysical rock types identification, have been carried out by Winland’s equation. R35 index is calculated using this equation. Different parts of the reservoir with similar porosity and permeability values have the same R35 index. The Gustafson Kessel algorithm which is used in this research, is a suitable approach for identifying clusters of data with non-spherical or linear structures. Local linear model tree method or LOLIMOT is an intelligent neuro-fuzzy technique based on divide and conquer strategy. This method precisely estimates the required parameters by dividing the main problem to smaller parts. Using this algorithm, petrophysical rock types are identified. With this technique the studied reservoir is separated into three zones. To improve the outcomes, the petrophysical rock types were once again estimated by a multilayer perceptron (MLP) neural network, and the outputs were fused with the results of LOLIMOT algorithm, using Sugeno technique. The results of applying these methods on data set are as follows. Correlation coefficient and accuracy coefficient with core data and estimated parameters after clustering are, 78% and 1.03 in well number 1, 73% and 1.07 in well number 2, 89% and 0.99 in well number 3, 75% and 1.08 in well number 4 and finally, 75% and 0.98 in well number 5. Prosity and permeability were estimated by LOLIMOT algorithm in studied wells and the petrophysical rock types were accordingly recognized. The petrophysical rock types having the same R35 index, make splitting criterion for the rock types. The ability of fitting a line with the same R35 between the boundary of two rock types was calculated. The number of rock types and correlation coefficients for 5 studied wells are as follows. For well No. 1 is two and 84%, for well No. 2 is two and 83%, for well 3 is three and 82% and 78%, for well No. 4 is three and 81% and 72% and for well No. 5 is three and 88% and 87%. Generalization of LOLIMOT algorithm was, then, assessed and the accuracy coefficients (trend lines) were calculated, while one well was considered as test and 4 others as train. The results of this generalizations are 0.85, 0.91, 0.97, 1.09 and 0.91 for wells 1 to 5 respectively. Finally, it was found that the error of the fusion of LOLIMOT and MPL methods is almost similar to the results of these two methods. Keywords: Petrophysical rock types, Gustafson Kessel clustering algorithm, Local linear model tree neuro-fuzzy estimator, Sugeno data fusion technique.
