تحلیل پتروفیزیکی و پیش‌بینی تابع تخلخل در یکی از مخازن نفتی جنوب باختر ایران

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استادیار، گروه عمران، دانشگاه آزاد اسلامی، واحد رودهن، تهران، ایران

2 کارشناسی ارشد، گروه زمین‌شناسی، دانشگاه آزاد اسلامی، واحد دماوند، تهران، ایران

3 استادیار، پژوهشکده علوم زمین، سازمان زمین‌شناسی و اکتشافات معدنی ایران، تهران، ایران

چکیده

شبکه‌های عصبی روش‌های محاسباتی یادگیرنده هستند که به کمک آنها می‌توان یک نگاشت خاص را برآورد کرده یا داده‌های مختلفی را دسته‌‌بندی کرد. یک شبکه عصبی بر خلاف کامپیوتر‌های رقومی که نیازمند دستورات کاملاً صریح و مشخص هستند، به مدل ریاضی محض نیاز ندارد، بلکه مانند مغز انسان قابلیت یادگیری به وسیله تعدادی مثال مشخص را دارد. هدف مقاله حاضر، اثبات تابع تخلخلی و تحلیل به عنوان یک رهیافت نیرومند در برآورد تخلخل سنگ مخزن با استفاده از نمودارهای پتروفیزیکی است که در آن با ارائه راه‌حلی مناسب بر پایه تحلیل پتروفیزیکی می‌توان تخلخل را با استفاده از داده‌های نمودار‌های چاه‌نگاری متداول تا حد بسیار خوبی برآورد کرد. روش پیشنهادی بر پایه داده‌های پتروفیزیکی موجود در یکی از میادین نفتی جنوب باختر ایران مورد بررسی قرار گرفت. نتایج به‌دست آمده از تجزیه شبکه مشروط بر اعتماد به داده‌ها با آزمون‌های مختلف در بررسی تابع از جمله رگرسیون، جذر میانگین مربعات و SPLine نشان دادند که میزان خطای شبکه بر حسب داده‌های موجود در محدوده مهندسی با ضریب اطمینان بالایی قابل قبول هستند و می‌تواند برای برآورد تخلخل مورد استفاده قرار گیرند. این روش افزون بر کاهش هزینه‌ها و اقتصادی کردن طرح، می‌تواند راهگشای انجام پژوهش‌های مختلفی در این زمینه در مقاطع بعدی شود.

کلیدواژه‌ها


عنوان مقاله [English]

Petrophysical Analysis and Prediction of Porosity Function in One of the Southwest Reservoirs of Iran

نویسندگان [English]

  • A Abbaszadeh shahri 1
  • R Hosseini 2
  • F Rezaei 3
  • K Mehdizadeh 2
  • N Panaei 2
1 Assistant Professor, Department of Civil Engineering, Islamic Azad University, Rudehen Branch, Tehran, Iran
2 M. Sc., Department of Geology, Islamic Azad University, Damavand Branch, Damavand, Iran
3 Assistant Professor, Research Institiute for Earth Sciences, Geological Survey of Iran, Tehran, Iran
چکیده [English]

Artificial Neural Network methods (ANN) are computational methods, which capable to predict a specific log or classify different data. Unlike the digital computers, which require the completely definite and distinguished rules, the ANN methods do not need a pure mathematical model; rather like the human brain has the ability to learn by recognized and determined examples. The target of the present paper is to establish and prove the Petrophysical Analysis as powerful approach in prediction and diagnosis of rock reservoir porosity by use of petrophysical logs, in which by a high accuracy suggested Petrophysical Analysis based solution the porosity can be estimated using conventional logging data. On the basis of the available petrophysical data, the proposed method was examined in one of the southwest oil field of Iran. The obtained results of network analysis conditioning to reliability to data with different tests such as regression, root mean square and SPLine showed that the amount of network error in terms of available data in engineering range with a high acceptable safety factor could be used to predict and estimate porosity. This method with ability of cost reduction and viability can help and provide a large variety in this field for further extended research.

کلیدواژه‌ها [English]

  • Petrophysical Analysis
  • porosity
  • Logging data
  • Neural Network
  • Sonic log
  • Gamma log