عنوان پایان‌نامه
تخمین تراوایی با استفاده از رخساره های الکتریکی در یکی از مخازن کربناته ی میادین جنوب غرب ایران
- رشته تحصیلی
- مهندسی اکتشاف نفت
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 2399;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 59052
- تاریخ دفاع
- ۲۹ مرداد ۱۳۹۲
- دانشجو
- حمیدرضا کیهانی
- استاد راهنما
- غلامحسین نوروزی باغکمه, محمدعلی ریاحی
- چکیده
- الکتروفاسیس عبارت است از مجموعه‌ای از پاسخ‌های نمودارهای چاه که مشخص‌کننده‌ی یک لایه بوده و باعث تشخیص آن از لایه‌های دیگر می‌گردد. توصیف الکتروفاسیسها یک روش ساده و مقرون به‌صرفه برای به دست آوردن تخمینی از تراوایی در مخازن کربناته‌ی ناهمگن با استفاده از نمودارهای چاه است. تراوایی گاهی به طور مستقیم از نمونه‌های مغزه در آزمایشگاه اندازه‌گیری و یا از داده‌های چاه آزمایی به دست می‌آید. روش اول بسیار گران‌قیمت است. علاوه بر این، داده‌های چاه‌آزمایی و داده‌های مغزه در همه چاه‌های یک میدان در دسترس نیستند، با این‌حال در اکثر چاه‌ها نمودارگیری انجام می‌شود. در این تحقیق یک رویکرد دو مرحله‌ای برای پیش‌بینی تراوایی از نمودارهای چاه ارائه شده است که با استفاده از رگرسیون غیرپارامتری در رابطه با آنالیز آماری چندمتغیره ارائه شده است. ابتدا، داده‌های چاه به انواع الکتروفاسیسها خوشه‌بندی می‌شوند. این خوشه‌بندی بر اساس اندازه‌گیری‌های به دست آمده از نمودارهای چاه است که منعکس‌کننده‌ی کانی‌ها و رخساره‌های سنگی در بازه‌ی نمودارگیری است. این فرایند ترکیبی از آنالیز مؤلفه‌های اصلی ، آنالیز خوشه‌ای مبتنی بر مدل و آنالیز تفکیک کننده برای توصیف و شناسایی انواع الکتروفاسیسها است. سپس، از تکنیک‌های رگرسیون غیرپارامتری برای پیش‌بینی تراوایی برای هر الکتروفاسیس استفاده شده است. سه روش غیرپارامتری مورد بررسی در این تحقیق: الگوریتم انتظار مشروط متناوب ، ماشین بردار پشتیبان و شبکه عصبی مصنوعی هستند که مزیت‌ها و محدودیت‌های نسبی آنها بررسی شده است. در این میان الگوریتم انتظار مشروط متناوب نتایج بهتری برای داده‌های تست به دست می‌دهد. روش‌های پیشنهادی در این تحقیق در یک مخزن کربناته‌ی بسیار ناهمگن در جنوب غربی ایران مورد استفاده قرار گرفته است. کلید واژهها: تراوایی، الکتروفاسیس، آنالیز مؤلفه‌های اصلی، الگوریتم انتظار مشروط متناوب، ماشین بردار پشتیبان، شبکه عصبی مصنوعی، سازند سروک، ایران.
- Abstract
- An Electrofacies in defined by a similar set of log responses that characterizes a specific bed and allows it to be distinguished from other beds. Electrofacies Characterization is a simple & cost-effective approach to obtaining permeability estimates in heterogeneous carbonate reservoirs using commonly available well logs. Formation permeability is often measured directly from core samples in the laboratory or evaluated from the well test data. The first method is very expensive. Moreover, the well test data or core data are not available in every wells in a field, however majority of wells are logged. We propose a two-step approach to permeability prediction from well logs that uses nonparametric regression in conjunction with multivariate statistical analysis. First, we classify the well-log data into electrofacies types. This classification does not require any artificial subdivision of the data population; it follows naturally based on the unique characteristics of well-log measurements reflecting minerals and lithofacies within the logged interval. A combination of principal components analysis (PCA), model-based cluster analysis (MCA), and discriminant analysis is used to characterize and identify electrofacies types. Second, we apply nonparametric regression techniques to predict permeability using well logs within each electrofacies. Three nonparametric approaches are examined alternating conditional expectations (ACE), support vector machine (SVM), and artificial neural networks (ANN) and the relative advantages and disadvantages are explored. For permeability predictions, the ACE model appears to outperform the other nonparametric approaches.We applied the proposed technique to a highly heterogeneous carbonate reservoir in the Southwest of iran. keywords: permeability , electrofacies , principal components analysis , alternating conditional expectations , support vector machine , artificial neural networks.
