عنوان پایان‌نامه
تخمین تراوایی با تلفیق داده های نگار و مغزه با استفاده از روش شبکه عصبی در یکی از میادین نفتی ایران
- رشته تحصیلی
- مهندسی اکتشاف نفت
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس 2 فنی شماره ثبت: 1308;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 36821
- تاریخ دفاع
- ۳۰ بهمن ۱۳۸۶
- دانشجو
- ایمان ویسی
- استاد راهنما
- بابک نجاراعرابی
- چکیده
- تراوایی یکی از مهمترین خصوصیات سازندهای حاوی هیدروکربن و یکی از مهمترین عوامل برای توصیف دقیق و مدلسازی مخزن می‌باشد. تراوایی سازند معمولاً در آزمایشگاه از طریق مغزه و یا از طریق اطلاعات چاه‌آزمایی بدست می آید که مستلزم صرف هزینه و وقت بسیار زیادی است. به دلیل موجود بودن داده‌های چاه‌نگاری در اغلب چاه‌های حفر شده، می‌توان نفوذپذیری را با روشی ارزان قیمت از روی داده‌های چاه‌نگاری، با دقت مناسب تخمین زد. هدف اصلی این پایان‌نامه، تعیین تراوایی با استفاده از داده‌های چاه‌نگاری و مغزه به کمک شبکه عصبی می‌باشد. در این پایان‌نامه، ابتدا میزان ارتباط و همبستگی داده‌های مختلف چاه‌نگاری با پارامتر تراوایی مورد مطالعه قرار گرفت و پس از تعیین پارامترهای مرتبط و مناسب برای پیش‌بینی تراوایی، عملیات مدلسازی از روی این داده‌ها آغاز گردید. در نهایت می‌توان به مدلی دست یافت که تنها با داشتن داده‌های چاه‌نگاری بتوان از طریق آن، تراوایی را با دقت بالایی تخمین زد.
- Abstract
- Reservoir permeability is one of the most important properties of oil and gas fields for reservoir characterization. In fact, it is not possible to have accurate solutions to many petroleum engineering problems without having accurate permeability knowledge. Until now, the petroleum industry tried to acquire reliable permeability values via laboratory measurements on cores or well test interpretation, which are both accurate but not adequate methods for complete reservoir description. Wireline log data and core plug analysis correlation have also been used to estimate permeability, but due to the correlation methods available, this approach does not always yield accurate and adequate results. Artificial neural networks are gaining popularity as tools for estimating reservoir parameters such as permeability from limited, common data suites. Neural networks are non-algorithmic, analog, distributive and parallel information processing methods that have proven to be powerful pattern recognition tools. Since they process data and learn in a parallel and distributed fashion, they are able to discover highly complex relationships between several variables that are presented to the network. As a model-free function estimator, neural networks can map input to output no matter how complex the relationship. The purpose of this paper is develop a methodology using artificial neural networks (ANNs) to predict the permeability for wells in the same field using the geophysical well logs data with good accuracy. Artificial neural networks provide a very useful approach to predicting reservoir parameters from well log data where data are poor or relationships between inputs and desired outputs are not exactly known. This paper presents the succussfull application of ANNs as tools to predict permeability from wireline logs and core plug analysis results.
