عنوان پایان‌نامه
تخمین تراوائیمخزن با استفاده ازهوش مصنوعی روش های زمین آمار
- رشته تحصیلی
- ژئوفیزیک-لرزه شناسی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه موسسه ژئوفیزیک شماره ثبت: 628;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 46737
- تاریخ دفاع
- ۱۶ آبان ۱۳۸۹
- دانشجو
- کیوان نجف زاده
- استاد راهنما
- محمدعلی ریاحی
- چکیده
- تراوائی یک پارامتر کلیدی در ارتباط با تعیین ویژگی مخزن است. در حقیقت راه حل های دقیقی برای مسائل مهندسی مخزن بدون دسترسی به اطلاعات دقیق تراوائی وجود ندارد. تا کنون صنعت نفت سعی بر آن داشته است که مقادیر تراوائی را از طریق اندازه گیری های آزمایشگاهی و یا از طریق چاه آزمائی به دست آورد. اگرچه موارد مذکور بعنوان راه حل ارائه شده است ولی روش هائی کافی و مطمئن برای توصیف مخزن نمی باشند. از طرف دیگر نمودار های چاه و آنالیز مغزه برای تخمین تراوائی مورد استفاده قرار گرفته است، اما بواسطه روش های تطبیقی (کوریلیشن) موجود، این الگو همیشه دربرگیرنده نتایج دقیق و کافی نبوده است. اغلب فرض شده است که بخاطر محدودیت در تفکیک پذیری داده های لرزه ای و طبیعت هیدرولیکی پارامتر تراوائی، تخمین مستقیم تراوائی مخزن از داده های لرزه ای نیز امکان پذیر نیست. چنانکه اشاره شد در بسیاری از حالت ها تخمین تراوائی مخزن محدود به مقیاس مغزه و تقریب نگارهای چاه می باشد. علیرغم محدودیت های موجود، مطالعات اخیر نشان داده است که برخی روابط تجربی بین تراوائی و بعضی از خصوصیات پتروفیزیکی وجود دارند. الگوریتم های هوش مصنوعی و روش های زمین آمار از ابزار های قدرتمند و قابل اعتماد برای تخمین تراوائی می باشند. در این میان الگوریتم های هوش مصنوعی و روش های زمین آمار بعنوان ابزار های مطمئن برای تخمین مقادیر تراوائی با استفاده از داده های لرزه ای، نمودارهای چاه و تحلیل مغزه مورد استفاده قرار گرفته اند. هدف از این تحقیق ساختن یک مدل ساختمانی قابل اعتماد در منطقه مورد مطالعه (که یکی از میادین هیدروکربوری جنوب ایران می باشد) از داده های لرزه ای و تخمین تراوائی در سطوح مختلف مخزن با کمک نمودارهای چاه و داده های مغزه می باشد. در این پایان نامه در نظر است که الگوریتم های هوش مصنوعی مانند شبکه عصبی و منطق فازی و همچنین روش های قطعی و احتمالاتی زمین آماری مورد بررسی و استفاده قرار گیرند تا میزان توانمندی و مؤثر بودن آنها در تخمین تراوائی در ارتباط با پارامتر های پتروفیزیکی مشخص شود. اعتبار سنجی نتایجی که به دست می آیند توسط روش های آماری مانند اعتبار سنجی تقاطعی (cross validation) مورد ارزیابی قرار گرفته است.
- Abstract
- Permeability is a key parameter in reservoir characterization. In fact, without accurate information about reservoir permeability, there is no good solution for reservoir engineering problems. Up to now, permeability values of a reservoir have been calculated through laboratory measurements or well testing methods. These methods are useful but they can't describe a reservoir reliably and precisely. Also, well logs and core analysis have been used for permeability estimation of a reservoir, but correlation methods show that, estimation through these methods is not reliable too. Direct prediction of reservoir permeability from seismic data is often supposed impossible due to resolution limitations of seismic data and hydraulic nature of permeability. In many cases reservoir permeability estimation is restricted to core scale and wellbore proximity. Respecting the existing limitations, recent studies have shown that there are some experimental relationships between some petrophysical parameters and permeability. Artificial Intelligence and Geostatistical methods are some of the most reliable tools for achieving to this goal (permeability estimation). So artificial intelligent algorithms and Geostatistical methods have been used for permeability estimation using seismic data, well logs and core analysis. The aim of this project is to build a reliable structural model of study area from seismic data and estimation of the permeability in different levels of the reservoir with the aid of logs and core data. Several Geostatistical approaches (deterministic and stochastic) and artificial intelligence algorithms (neural network and fuzzy logic) are candidate to be analyzed for their effectiveness in prediction of permeability according to other petrophysical parameters. Validity of the results will be checked by statistical methods like cross validation.
