فصلنامه علمی علوم زمین

فصلنامه علمی علوم زمین

مقایسة روشهای رگرسیون خطی چندگانه و شبکه‌های عصبی مصنوعی برای برآورد تخلخل و نفوذپذیری

نوع مقاله : مقاله پژوهشی

نویسندگان
1 دانشکده معدن، متالورژی و نفت، دانشگاه صنعتی امیرکبیر، تهران، ایران
2 مؤسسه ژئوفیزیک،دانشگاه تهران، تهران، ایران
چکیده
تخلخل و نفوذپذیری را می‌توان دو پارامتر از سه پارامتر مهم در ارزیابی ویژگیهای یک میدان نفتی عنوان کرد. اطلاعات مربوط به تعیین پارامترهای پتروفیزیکی، غالباً با استفاده از مطالعة مغزه‌‌ها، حاصل می‌شوند ولی استفاده از این روش در بسیاری موارد قابل اجرا  نیست. دلیل این امر تنها مربوط به هزینة بالای مغزه‌گیری نیست، زیرا در بسیاری موارد، تهیة مغزه از چاههای مختلف، امکان‌پذیرنمی‌باشد. از روشها و روابط تجربی نیز به دلیل داشتن مشکلات خاص آنها و تعلق نتایج مربوط به آنها به منطقه‌ای خاص، نمی‌توان با اطمینان کامل استفاده کرد.  شبکه‌های عصبی مصنوعی، یکی از جدیدترین فنونی هستند که به‌تدریج جایگاه خود را در میان علوم مختلف و خاصه در مهندسی نفت پیدا کرده‌اند. به‌طور کلی می‌‌توان برآورد پارامترهای پتروفیزیکی توسط شبکه‌های عصبی را در دو مرحله عنوان کرد. ابتدا پیدا کردن ویژگیهای شبکة مورد بحث برای اعمال در مورد پارامتر مورد نظر که این کار با استفاده از اطلاعات مربوط به یک سری از چاهها انجام می‌شود که هم اطلاعات نمودارها و هم اطلاعات آزمایش مغزه برای آنها وجود دارد.  مرحله دوم، شامل اعمال شبکه حاصل از مرحله اول در مورد سایر چاههای میدان می‌باشد. در این مطالعه، برای تعیین مقادیر تخلخل در میدان نفتی گچساران از دو شبکه استفاده شد که یکی از آنها، شبکه‌ای با سه پارامتر ورودی (نگار چگالی، صوتی و نوترون) و دیگری شبکه‌ای با ده پارامتر (پاسخ نگارهای نوترون، گاما، چگالی، صوتی، مقاومت ویژة ناحیة کم‌ژرفا و ژرف و مقادیر اشباع آب و مختصات فضایی نقاط) ورودی است. مقادیر تخلخل برآورد شده توسط این شبکه‌ها در مرحله تعمیم، به‌ترتیب  مقادیر همبستگی 0/914 و 0/938 را نشان دادند. این در حالی بود که نتیجة مربوط به معادلة رگرسیون در تعیین مقدار تخلخل، مقدار 0/658 را نشان می‌داد. در مورد نفوذپذیری نیز مقادیر لگاریتم نفوذپذیری حاصل از شبکه‌های دارای 6 (پاسخ نگارهای چگالی، صوتی، گاما، مقاومت ویژة ناحیة کم‌ژرفا و ژرف و تخلخل حاصل از شبکة تخلخل دارای 10 نورون ورودی) و 11 پارامتر ورودی (نگارهای نوترون، گاما، چگالی، صوتی، مقاومت ویژة ناحیة کم‌ژرفا و ژرف و مقادیر اشباع آب، مختصات فضایی نقاط و تخلخل حاصل از شبکة تخلخل دارای10 نورون ورودی)، و معادلة رگرسیون، به‌ترتیب مقادیر همبستگی  برابر با 0/851 و 0/858 و 0/617 را با مقدار لگاریتم نفوذپذیری مغزه نشان دادند.
کلیدواژه‌ها

موضوعات


Balan,B., Mohaghegh,S., Ameri,S., 1995- “ State - of -Art in permeability determination from well log data : Part - 1 -A comparative study , Model development.’’SPE 30978 , PP:17-25.
Geological and Petrophysical Reports of Gachsaran Oil Field, 2003- Beicip Faralab Co,Archived of Moshaveran Energy Tehran Co.
Hearst,J.R., Nelson,P.H., Palliet,F.L., 2000-  ” Well Logging for Physical Properties,” John Wiley and Sons Ltd.
Helle,H.B., Bhatt,A., Ursin,B., 2001- ” Porosity and Permeability Prediction from Wirelines Logs Using Artificial Neural Networks: A North Sea Case Study,” Geophysical Prospecting, 49, PP 433-444.
Lu,W., 2000- ”Neural Network Model for Distribution Bucking Behavior of Cold Formed Steel Compression Member”. Helsinki University of Technology of Steel Structures. Publication 16.
Mohaghegh,S., Ameri,S., Arefi,R., 1996- ”Virtual Measurment of Heterogeneous Formation Permeability Using Geophysical Well Log Responses,” Log Analyst, March-April.
Mohaghegh,S., Ameri,S., 1995- ” Artificial Neural Network as a Valuable Tool for Petroleum Engineers,” SPE 29220.
Mohaghegh,S., 2000- ” Virtual Intelligence and its Application in Petroleum Engineering, Part-1: Artificial Neural Networks,” JPT-September.
دوره 16، شماره 61
پاییز 85، سال شانزدهم، شماره 61
پاییز 1385
صفحه 140-149