عنوان پایان‌نامه
تعیین تله نفتی چینه ای با استفاده از نشانگرهای لرزه ای و شبکه عصبی در یکی از میادین هیدروکربنی در جنوب ایران
- رشته تحصیلی
- ژئوفیزیک-لرزه شناسی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 59153;کتابخانه موسسه ژئوفیزیک شماره ثبت: 911
- تاریخ دفاع
- ۲۵ شهریور ۱۳۹۲
- دانشجو
- فاطمه زارع زاده
- استاد راهنما
- محمدعلی ریاحی
- چکیده
- تفسیر داده های لرزه ای به طور عمده به سه دست? ساختمانی، چینه ای و لیتو لوژی دسته بندی می -شود. مکتشفین تشخیص تله¬های نفتی ساختمانی را چه توسط داده¬های دو بعدی و چه توسط داده¬های سه بعدی یسیار آسان تر از تله¬های نفتی چینه¬ای یافتند. به دلیل اینکه تله ¬های ساختمانی بازتاب های عمیق از خود نشان می دهند اما تله های چینه ای بازتاب های سطحی از خود نشان می دهند.. برای بالا بردن کیفیت ارزیابی مخزن، نگار صوتی و توزیع تخلخل توسط تکنیک ها و روش های مختلف محاسبه می شوند.برای این هدف نشانگر های لرزه ای مختلف و نگار های مختلف به عنوان ورودی در نظر گرفته می شوند.این تکنیک ها عبارتند از روش تک نشانگری و چند نشانگری ، رگرسیون قدم به قدم، شبکه های عصبی احتمالی، شبکه های عصبی چند لایه پیش خوروشبکه های عصبی ا بشاری. در این مطالعه هدف بررسی و مقایسه این تکنیک های ذکر شده می باشد. با مقایسه مشخص می شود که روش شبکه های عصبی احتمالی با استفاده از 6 نشانگر بهترین همبستگی را بین مقدار واقعی تخلخل و مقدار تخمینی ارائه می دهد.چون هدف تعیین تله نفتی چینه ای خواهد بود از نشانگرهای حساس به تغییرات چینه ای استفاده شده است. و نهایتاً با توجه به نمودار سه بعدی تخلخل مکان های با تخلخل بیشتر به احتمال وجود تله های نفتی چینه ای ربط داده می شوند. درادامه به کمک شبکه عصبی رقابتی بر مبنای نظارت نشده رخساره های چینه ای به سه دسته طبقه بندی می شوند.جهت طبقه بندی وانالیز رخساره ای به کمک شبکه عصبی بیشترین تطابق مربوط به استفاده از نشانگر های واریانس وفرکانس لحظه ای میباشد. درنهایت مشاهده میشود که نتایج به دست امده ازتفکیک رخساره ای نتایج حاصل از تخمین تخلخل را تایید میکنند.
- Abstract
- Seismic data interpretation mainly is classified to structural strati graphical and lithological interpretation. Explorationists find structural traps far easier to identify than stratigraphic traps in both 2D and 3D seismic Data, because structural traps are seen as highly dipping reflections and discontinuities in other wise smooth reflections. For better reservoir characterization, sonic velocity, and effective porosity distribution was estimated through different techniques. Stepwise multi linear regression, probabilistic neural networks (PNN) multi layer feed forward (MLFN) networks were tested. In this theise ,different available techniques for rock properties estimation were compared. predicted rock properties maps generated and a comparison among them is made. on comparison, it is found that the PNN- based approach for effective porosity using six attributes showed highest cross correlation (0.95) between actual and predicted rock properties logs at three wells in the study area. In the following, stratigraphical facies were classified by neural network ,based on unsupervised data.the maximum correlation is relevantn to using instantaneous frequency,variance and envelope.
