عنوان پایان‌نامه
تخمین تخلخل مخازن هیدروکربنی با استفاده از ماشین های بردار پشتیبان
- رشته تحصیلی
- ژئوفیزیک-لرزه شناسی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 62793;کتابخانه موسسه ژئوفیزیک شماره ثبت: 976
- تاریخ دفاع
- ۲۴ شهریور ۱۳۹۲
- دانشجو
- سعید صوفی
- استاد راهنما
- مجید نبی بیدهندی
- چکیده
- تخلخل، یکی از پارامترهای مهم و حیاتی در توصیف مخازن هیدروکربنی است. با استفاده از نگارهای برداشت شده در محل چاه می¬توان مقدار تخلخل مخزن را بدست آورد اما این مقدار فقط محدود به اطراف محل چاه می¬باشد و این در حالی است که برای ارائه توصیف کامل¬تر و دقیق¬تر از مخزن، نیاز به دانستن مقدار تخمینی تخلخل در کل محدوده مخزن است. با آنکه تعداد چاه¬های حفر شده محدود هستند اما معمولاً داده-های لرزه¬ای سه¬بعدی در کل محدوده مورد نظر برداشت می¬شوند. بنابراین یافتن ارتباطی بین نشانگرهای لرزه¬ای و نگارهای تخلخل موجود، می¬تواند در جهت تخمین تخلخل برای کل محدوده مخزنی مفید واقع شود. با توجه به تعداد زیاد نشانگرهای لرزه¬ای، یافتن آن دسته از نشانگرها که دارای ارتباط مؤثرتری با پارامتر تخمینی مورد نظر هستند نیز، حائز اهمیت است. در این تحقیق برای انتخاب نشانگرهای لرزه¬ای مناسب از الگوریتم رگرسیون پله¬ای استفاده شده است و برای ایجاد ارتباط میان این دسته از نشانگرها و مقدار تخلخل اندازه¬گیری شده در محل چاه¬ها، از یک مدل آماری به نام ماشین¬های بردار پشتیبان استفاده شده است. نتایج حاصل از استفاده از این مدل با نتایج بدست آمده از مدل¬های دیگری نظیر شبکه¬های عصبی مورد مقایسه قرار گرفته است. این نتایج نشان می¬دهد که مدل ماشین¬های بردار پشتیبان عملکرد مناسبی دارد و بنابراین می¬توان از این ابزار در کنار سایر روش¬¬ها برای تخمین تخلخل مخازن هیدروکربنی سود جست.
- Abstract
- Porosity is one of the main parameters for characterizing hydrocarbon reservoirs. Traditionally, porosity is derived from core samples or well log measurements so our knowledge of porosity of a reservoir is limited to the well locations. As we know, this property vary a lot laterally from one well to another, Therefore a question arises, “how can we predict porosity far away from well locations where no direct measurements can be done?” The answer lies in the use of seismic data, particularly 3D surveys, because these data contain valuable information about lateral variation of reservoir properties. Therefore when wells are located inside the seismic coverage zone, extracting nonlinear relationships between the seismic data and the sparse set of well logs seems to be a good approach in order to estimate porosity at almost any point of the reservoir. Up to now some common techniques like neural-network-based methods are used to extract nonlinear relationships to correlate seismic data and reservoir properties but these methods have limited generalization ability and global correlations for a field are usually less accurate compared to local correlation for a sub-region of the reservoir. In this study we applied a supervised learning method called Support Vector Regression model to relevant seismic attributes extracted from a 3D seismic survey to predict reservoir porosity. The seismic attributes data are divided into two parts. The bigger part of the data and numerical values of porosity logs are considered as the inputs to the SVR in training phase to build a model. Afterwards, in test phase, this model would be applied to the other part of the seismic attributes data which have not been considered in training phase. Comparing our model with conventional neural network methods, we conclude that SVR shows slightly better performance.
