پیش‌بینی سرعت موج برشی از نگارهای تخلخل به وسیله روش‌های منطق فازی و عصبی ـ فازی در یکی از مخازن کربناتی جنوب ایران

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشکده زمین‌شناسی، پردیس علوم، دانشگاه تهران، تهران، ایران

2 مدیریت اکتشاف شرکت ملی نفت ایران، تهران، تهران

3 شرکت مهندسی و توسعه نفت (متن)، تهران، ایران

چکیده

سرعت امواج برشی و تراکمی دارای کاربردهای متعددی در مطالعات پتروفیزیکی، ژئوفیزیکی و ژئومکانیکی مخازن نفتی می‌باشند. سرعت امواج تراکمی توسط ابزار صوتی که در تمامی چاه‌های نفت و گاز رانده می‌شود قابل محاسبه است ولی داده‌های مربوط به سرعت امواج برشی در تمامی چاه‌ها بویژه چاه‌های قدیمی وجود ندارد. در این مطالعه با استفاده از نگارهای تخلخل(نوترون، صوتی، چگالی)، سرعت موج برشی به کمک روش‌های منطق فازی وعصبی ـ فازی در یک مخزن کربناتی برآورد شد. بانک اطلاعاتی در این مطالعه شامل ٢٠٤٦ نقطه‌ اطلاعاتی برای ساخت سامانه‌‌های فازی و عصبی ـ فازی (داده‌های چاه مدل) و ١٨٦٤ نقطه (از چاه آزمون) برای آزمودن مدل‌ها است که وابسته به مخزن کربناتی سروک در یکی از میادین نفتی جنوب ایران هستند. نتایج به‌دست آمده نشان می‌دهد که روش‌های به کار رفته در برآورد سرعت موج برشی در این مخزن کربناتی موفقیت‌آمیز بوده است و در صورتی که داده‌های سه نگار تخلخل نام برده کافی باشد، استفاده از این روش‌ها برای برآورد سرعت موج برشی در چاه‌های فاقد این پارامتر (در این منطقه) پیشنهاد می‌شود.
 

کلیدواژه‌ها


عنوان مقاله [English]

Prediction of Shear Wave Velocity from Porosity Logs Using Fuzzy Logic & Neuro-Fuzzy Techniques in One of the Iranian Southern Carbonate Reservoirs

نویسندگان [English]

  • M. Rajabi 1
  • B. Bohloli 1
  • M. Mohammadinia 2
  • E. Gholampour Ahangar 3
1 School of Geology, University College of Science, University of Tehran, Tehran, Iran
2 National Iranian Oil Company, Exploration Directorate, Tehran, Iran
3 , Tehran, Iran(3Petroleum Engineering and Development Company (PEDEC
چکیده [English]

The shear and compressional wave velocities (Vs and Vp, respectively) have many applications in petrophysical, geophysical and geomechanical studies. Vp is very easily obtained from sonic logs that are available in most of oil and gas wells, but some wells (especially old wells) may not have Vs data. In this study Vs was predicted from porosity well log data (neutron, density and sonic) using fuzzy logic and neuro-fuzzy techniques. For this purpose a total of 3910 data points from Sarvak carbonate reservoir which have Vs and porosity log data were utilized. These data were divided into two parts, one part included 2046 data points used for constructing models and the other part included 1864 data points used for testing models. The results show that fuzzy logic and neuro-fuzzy techniques were useful methods for prediction of Vs in this carbonate oil reservoir.

کلیدواژه‌ها [English]

  • Sarvak Formation
  • Shear wave velocity
  • Porosity logs
  • Carbonate Reservoirs
  • Fuzzy logic
  • Neuro-Fuzzy
 

References

Ameen, M. S., Smart, B. G. D., Somerville, J. M. C., Hammilton, S. & Naji, N. A., 2009- Predicting rock mechanical properties of carbonates from wireline logs (A case study: Arab-D reservoir, Ghawar field, Saudi Arabia). Marine and Petroleum Geology 26: 430-444.

Anselmetti, F. S. &  Eberli, G. P., 1993- Controls on sonic velocity in carbonates, Pure and Applied Geophysics, 141: 287–323.

Castagna, J. P., Batzle, M. L. &  Eastwood, R. L., 1985- Relationships between compressional-wave and shear-wave velocities in elastic silicate rocks Geophysics 50: 571–81.

Chiu, S. L., 1994- Fuzzy model identification based on cluster estimation. Journal of Intelligent and Fuzzy Systems, 2: 267–278.

Cuddy, S. J., 1998- Litho-facies and permeability prediction from electrical logs using fuzzy logic 8th Abu Dhabi International Petroleum Exhibition and Conference SPE: 49470.

Delmirli, K. & Muthukumaran, P., 2000- Higher order fuzzy system identification using subtractive clustering, Journal of Intelligent and Fuzzy Systems 9 (2000): 129–158.

Domenico, S. N., 1984- Rock lithology and porosity determination from shear and compressional wave velocity Geophysics 49: 1188–95.

Eberli, G. P., Anselmetti, F. S. & Incze, M. L., 2003- Factors controlling elastic properties in carbonate sediments and rocks. The Leading Edge, July 2003: 654-660.

Finol, J., Guo, Y. K. & Jing, X. D., 2001- A rule base fuzzy model for the prediction of petrophysical rock parameter, Journal of Petroleum Science and Engineering 29: 97-113.

Hamada, G. M., 2004- Reservoir fluids identification using Vp/Vs ratio, Oil  & Gas Science and Technology – Rev. IFP 59(6): 649-654.

Ikwuakor, K. C., 1988- Vp/Vs revisited: pitfalls and new interpretation techniques World Oil (September): 41–46.

Jang,  J. S. R., 1993- ANFIS: Adaptive-Network-Based fuzzy inference systems, IEEE Transactions on Systems, Man, and Cybernetics. 23(3): 665-585.

Jang, J. S. R., Sun, C. T. & Mizutani, E., 1997- Neuro-Fuzzy and Soft Computing ­A Computional Approach to Learning and Machine Intelligence, Prentice Hall, 640p.

Kamali, M. R. & Mirshadi, A. A., 2004-Total organic carbon content determination from well logs using ΔLogR and Neuro Fuzzy techniques, Journal of Petroleum Science and Engineering 45: 141-148.

Kosko, B., 1992- Neural Networks and Fuzzy Systems: A Dynamical Approach to Machine Intelligence, Prentice Hall, Englewood Cliffs, NJ, 449p.

Lim, J. S., 2005- Reservoir properties determination using fuzzy logic and neural networks from well data in offshore Korea, Journal of Petroleum Science and Engineering 49: 182-192.

Mamdani, E. H. & Assilian, S., 1975- An experimental in linguistic synthesis with a fuzzy logic control. Int. J. Man-Mach. Stud. 7: 1–13.

MATLAB user's guide, 2006- Fuzzy logic Toolbox, by the math works Inc.

Mohaghegh, S., 2000- Virtual-intelligence applications in petroleum engineering: Part I. Artificial neural networks Journal of Petroleum Technology 52: 64–73

Nava, P. & Taylor, J., 1996- The Optimization of Neural Network Performance through Incorporation of Fuzzy Theory. In: 11th Conference on Systems Engineering, 897-901.

Norouzi, Gh. H., 2006- Fundamentals of Well-log interpretation, University of Isfahan press, 486p (in Persian).

Pickett, G. R., 1963- Acoustic character logs and their application in formation evaluation. Journal of Petroleum Technology 15: 650–667.

Rezaee, M. R., Kadkhodaie Ilkhchi, A. & Barabadi, A., 2006- Prediction of shear wave velocity from petrophysical data utilizing intelligent systems: An example from a sandstone reservoir of Carnarvon Basin, Australia, Journal of Petroleum Science and Engineering 55: 201-212.

Rezaee, M. R., Kadkhodaie Ilkhchi, A. & Alizadeh, P. M., 2008- Intelligent approaches for the synthesis of petrophysical logs, Journal of Geophysics and Engineering 5(2008): 12-26.

Sheriff, R. E. & Geldart, L. P., 1995- Exploration Seismology 2nd ed. Cambridge University press.

Srinivasan, K. & Fisher, D., 1995- Machine Learning Approaches to Estimating Software Development Effort. IEEE Transactions on Software Engineering. 21(2): 126–137.

Sugeno, M., 1985- Industrial applications of fuzzy control, Elsevier Publication Co. 278 p.

Tatham,  R. H., 1982- Vp/Vs and lithology Geophysics 47: 336–44.

Vanorio, T., Scotellaro, C. &  Mavko, G., 2008 - The effect of chemical and physical processes on the acoustic properties of carbonate rocks. The Leading Edge August 2008: 1040-1048.

Zadeh, L. A., 1965-Fuzzy sets, Information and Control 8: 338-353.