مقایسه روش‌های شبکه عصبی مصنوعی، LogR∆ و آنالیز خوشه‌ای برای ارزیابی مقدار کربن آلی در سازندهای محتوای هیدروکربن

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد، گروه زمین‌شناسی، دانشگاه آزاد اسلامی واحد علوم و تحقیقات، تهران، ایران

2 دانشیار، گروه علوم زمین، دانشکده علوم طبیعی، دانشگاه تبریز، تبریز، ایران

چکیده

محتوای کربن آلی کل یکی از متغیرهای مهم برای ارزیابی ژئوشیمیایی لایه‌های تولید کننده نفت و گاز است. در این مطالعه طی سه مرحله، محتوای کربن در سازندهای هیدروکربن‌دار با استفاده از داده‌های نگار ارزیابی شد. در مرحله اول با استفاده از شبکه عصبی مصنوعی محتوای کربن آلی  به دست آمد، در مرحله دوم با کمک روش محاسباتی LogR∆ محتوای کربن آلی مورد ارزیابی قرار گرفت و در مرحله آخر داده‌های نگارهای چاه‌پیمایی  به‌ مجموعه‌ای از الکتروفاسیس‌ها تقسیم‌بندی شد که به این منظور از بهترین روش آنالیز خوشه‌ای، یعنی روش  MRGCبهره گرفته شد. این روش بر پایه آزمون‌های ارزیابی خوشه‌ای بهترین روش برای خوشه‌بندی داده‌های پتروفیزیک در الکتروفاسیس‌های معین است. آنالیز خوشه‌ای یک ‌بار برای داده‌های TOC حاصل از شبکه عصبی و یک ‌بار برای داده‌های TOC حاصل از روش LogR∆ صورت گرفت. نتایج نشان داد که سامانه‌های هوشمند نسبت به روش‌های قدیمی مبتنی بر روش LogR∆ مناسب‌ترند و دقت بالاتری دارند. روش ارائه شده همراه با مثال موردی از میدان نفتی آزادگان ارائه شده ‌است.

کلیدواژه‌ها


عنوان مقاله [English]

Comparison of artificial neural network, ΔLogR and cluster analysis for the assessment of organic carbon in hydrocarbon-bearing Formations

نویسندگان [English]

  • S Gholipour 1
  • A Kadkhodaie 2
  • M Makkipour 1
  • A .R Abadi chalaksaraee 1
1 M. Sc. Student, Department of Geology, Islamic Azad University Science and Research Branch, Tehran, Iran
2 Associate Professor, Department of Earth Science, Faculty of Natural Science, University of Tabriz, Tabriz, Iran
چکیده [English]

Total organic carbon content is one of the important parameters to evaluate the geochemical properties of oil- and gas-producing layers. In this study, total organic carbon content in the hydrocarbon-bearing formations was evaluated using log data in three stages. In the first stage, we used artificial neural network to calculate the organic carbon content. In the second stage, total organic carbon was calculated by using ΔLogR computational method. Finally in the last stage, well log data were classified into a set of electrofacies, which were performed using the most efficient clustering analysis method, i.e. MRGC method. Based on cluster validity tests, this method is the best to cluster petrophysical data in certain electrofacies. Cluster analysis was employed for classification of data from both neural network and ΔLogR methods. The results showed that intelligent systems are more appropriate than traditional techniques which are based on ΔLogR approaches, and also have higher accuracy. The proposed method has been presented with a case study from the Azadegan oilfield.

کلیدواژه‌ها [English]

  • Total Organic Carbon
  • Artificial Neural Network
  • Cluster analysis
  • ΔLogR
  • Petrophysical data