کاربرد شبکه‌های عصبی RBF و PNN در تعیین رخساره های یکی از میدان‌های گازیجنوب ایران

نوع مقاله: مقاله پژوهشی

نویسندگان

1 پردیس دانشکده های فنی، دانشکده مهندسی شیمی، انستیتو مهندسی نفت، دانشگاه تهران، تهران، ایران

2 دانشگاه صنعتی شریف، دانشکده مهندسی شیمی و نفت، تهران، ایران

3 دانشگاه آزاد اسلامی واحد علوم و تحقیقات، گروه مهندسی نفت، تهران، ایران

چکیده

یکی از مراحل اساسی در تعیین و توصیف ویژگی‌های زمین­شناسی و مهندسی یک مخزن، تعیین رخساره­های مختلف سنگ­های آن مخزن توسط داده­های حاصل از عملیات چاه­نگاری و مغزه­گیری است. در این تحقیق در نظر است با استفاده از شبکه­های عصبی RBF و PNN ، رخساره­های میدان گازی پارس­جنوبی برای کاربرد کلان‌تر در مدل‌سازی استاتیک و دینامیک مخزن، تعیین و شناسایی شود. روش­های یادشده برای اولین‌بار در تعیین رخساره­های سنگی در میدان‌های ایران استفاده شده است. در این مطالعه از پارامترهای هدف وگسترش شبکه­های مذکور در بهبود عملکرد آن شبکه­ها استفاده شده است. در این راستا، بهبود عملکرد شبکه با استفاده از پارامترهای یادشده نشان داد که مقادیر بهینه عدد گسترش و هدف، به ترتیب بین 01/0 تا 10 و 02/0 تا 04/0 متغیر است. نتیجة حاصل از به کارگیری این روش­ها، نشان داد که شبکه­های عصبی توانایی بالایی در تعیین رخساره­ها دارند.

کلیدواژه‌ها


عنوان مقاله [English]

The Application of RBF & PNN Neural Networks in Facies Determination in One of the South Gas Fields, Iran

نویسندگان [English]

  • A. Kakouei 1
  • M. Masihi 2
  • M. Shirani 3
1 College of Engineering, School of Chemical Engineering , University of Tehran, Tehran, Iran
2 Sharif University, Dep. of Chemical and Petroleum Engineering, Tehran, Iran
3 slamic Azad University, Science & Researches Branch, Dep. of Petroleum Engineering, Tehran, Iran
چکیده [English]

Determination of different facies is one of the important and basic tasks of geological engineering characterization of reservoir rocks from well logs and core data. Our objective is to identify and determine different facies of the South Pars Field using RBF and PNN neural networks in order to perform static and dynamic simulation. These networks are utilized to identify facies of the South Pars Field for the first time in Iran. In this study, we use different parameters of mentioned networks such as ‘spread’ and ‘goal numbers’ to improve networks operation. In this regards, the optimum values of these two parameters were 0.01-10 and 0.02-0.04 respectively. The results show that the RBF and PNN neural networks are robust means to determine and model the facies of the South Pars Field in Iran.

کلیدواژه‌ها [English]

  • Facies
  • Neural Networks
  • RBF Neural Networks
  • PNN Neural Networks
  • South Pars Field
Bhatt, A., 2002- Reservoir properties from well logs using neural networks. Norwegian University of Science and Technology, ch. 6. Demuth, H., Beal, M. and Hagan, M., 1992-2009- Neural network toolbox 6 (User's Guide). The MathWorksTM. GPWR, 2009- Nexy price predictor using neural network. http://codebase.mql4.com/5738. Maiti, S., Tiwari, R. K. and Kumpel, H., 2007- Neural network modeling and classification of lithofacies using well log data: a case study KTB borehole site. Geophys. J. Int. v. 169, p. 733-746. POGC, 2009- Geological History, Pars Oil and Gas Company, Tehran, Iran. Principe, J. C., 2000- Artificial Neural Networks, CRC Press LLC. University of Florida, ch. 20. Satter, A. & Thakur, G. C., 1994- Integrated petroleum reservoir management. PennWell Publishing Company. White, A. C., Molnar, D., Aminian, K., Mohaghegh, S., Ameri, S. & Esposito, P., 1995- The application of ANN for zone identification in a complex reservoir. SPE Paper 30977, SPE Eastern Regional Conference & Exhibition, Morgantown, West Virginia, USA.