برآورد مقدارکربن آلی کل با استفاده ازشبکه عصبی مصنوعی در میدان نفتی بینک، استان بوشهر

نوع مقاله: مقاله پژوهشی

نویسندگان

دانشکده مهندسی معدن، دانشگاه صنعتی سهند، تبریز، ایران

چکیده

     مقدار کربن آلی کل (Total Organic Carbon) موجود در سنگ منشأ هیدروکربن یکی از پارامترهای حائز اهمیت  در ارزیابی آن است. این پارامتر نه تنها در مطالعات ژئوشیمیایی هیدروکربن مورد استفاده قرار می‌گیرد، بلکه در بررسی میزان گسترش سنگ منشأ نیز نقش بسزایی دارد به گونه‌ای که با افزایش TOC، احتمال حضور سنگ منشأ افزایش می‌یابد وکاهش آن بیانگر عدم گستردگی سنگ منشأ در یک ژرفای معلوم است. بنابراین وجود روشی که بتواند به برآورد هر چه بهتر آن کمک کند، لازم است. شبکه‌های عصبی مصنوعی یکی از روشهای عددی حل مسئله است که با الگو برداری از عملکرد شبکه‌های عصبی زیست‌شناختی به تحلیل مسائل پرداخته و اقدام به برآورد، رده‌بندی و ... می‌کند.
     این مقاله با هدف معرفی ساختار و چگونگی عملکرد شبکه‌های عصبی، اقدام به برآورد مقدار مواد آلی کل موجود در سنگ منشأ هیدروکربن در میدان نفتی بینک با استفاده از اطلاعات چاه‌پیمایی می‌کند. نتایج حاصل، بیانگر این مطلب است که شبکه پرسپترون چند لایه( Multi-Layer Perceptron ) بهترین شبکه‌ای بود که برای برآورد استفاده شد که دارای یک لایه میانی با 6 گره ونوع الگوریتم آموزشی پس انتشار مومنتم باتابع تحریک تانژانتی بود. پس از آموزش شبکه، مقدار خطای برآورد 0013/0 حاصل شد. پس ازآن، داده‌های آموزشی و غیر آموزشی آزموده شدند و در نهایت مقایسة بین مقادیرTOC واقعی و برآورد انجام گردید که نتیجة مطلوب حاصل شد. در پایان، تحلیل حساسیت روی پارامترهای مؤثر در بر آورد انجام گردید و بر اساس آن، پارامتر تخلخل نوترونی (NPHI) به عنوان موثرترین و حساس‌‌ترین پارامتر و DT به عنوان پارامتری با کمترین حساسیت مؤثر در برآورد شناخته شدند.

کلیدواژه‌ها


عنوان مقاله [English]

Application of Neural Network in Estimating Total Organic Carbon, Binak Oil Field, Bushehr Province

نویسندگان [English]

  • M. J. Mohammadzadeh
  • H. Aghababaei
  • A. Naseri
Faculty of Mining Engineering, Sahand University of Technology ,Tabriz, Iran
چکیده [English]

     The amount of total organic carbon (TOC) is one of the most important parameter in evaluating hydrocarbon source rock. This parameter is not only used for hydrocarbon geochemical studies but also plays an important role in evaluating the extension of hydrocarbon source rock. As the increase in TOC may indicate the presence of source rock, the depletion of TOC reveals no extension of source rock in a certain depth. Therefore the need for a powerful tool in this aspect is essential. One of the linear methods for solving such problem is artificial neural network, a biologically inspired computing method which has an ability to learn; self adjusted and are trained, capable of classification, image processing and different problem analysis, with an attempt to estimate.
This paper presents the features and framework for application of neural network in estimating TOC for hydrocarbon source rock in Binak oil field, Bushehr province, using well log data.
The results of this study reveal that Multi-Layer Perception (MLP) is the optimum network which was used for TOC estimation. MLP topology was a hidden layer with 6 nodes, back propagation momentum learning algorithm and tangent activation function. After training is completed, the estimated error calculated as 0.0013, and then the network performance was tested upon training and testing data. Ultimately the predicted TOC values were compared with the actual one which showed a reliable network performance (R=0.9956). Finally the sensitivity analysis was attempted on effective parameters and based on neutron porosity parameter (NPHI) found to be as the most sensitive, and the sonic travel time (DT), the least sensitive parameters in estimating TOC.
 

کلیدواژه‌ها [English]

  • TOC estimation
  • Neural Network
  • Hydrocarbon source rock
  • Organic material
  • Binak

جلالی، م. ر.،1356- چینه شناسی حوضه زاگرس(جنوب غرب ایران).ترجمه گزارشهای 1072و1249.انتشارات مرکز آموزش و برنامه ریزی نیروی انسانی اکتشاف وتولید-110صفحه.

رضایی، م .ر .،1380- زمین شناسی نفت.انتشارات علوی.250صفحه.

مرادزاده،ع.، قوامی ریابی، ر.، 1382- چاه پیمایی برای مهندسین . انتشارات دانشگاه شاهرود.245صفحه.

ناصری،آ.، 1385- بررسی وتفسیروضعیت مخزنی افق آسماری ساختمان نفتی بینک با استفاده از اطلاعات ژئوفیزیکی وچاه پیمایی با بکارگیری شبکه‌های عصبی مصنوعی. پایان نامه کارشناسی ارشد،دانشگاه صنعتی سهند،220 صفحه.

 

References

      Callan. R., 1999- The essence of neural networks. Southampton Institute. Perentic  Hall Europe.P.200

Huang, Z. and Williamson, M. A., 1994 - Geological pattern recognition and modeling with a general regression neural network. Canadian Journal of exploration geophysics, Vol.30.No.1, P.60-68.

Menhaj, M. B., 2000 - Fundamentals of neural networks. TehranPolytechnicsUniversity .vol.1.P.716.

Parker, D. B., 1985- Learning –Logic: Casting the cortex of the human brain in Silicon, MIT, Cambridge, MA. Technical Report TR-47.

Pirson, S. J., 1963- Handbook of well log analysis for oil and gas formation evaluation. Prentice-Hall International, Inc.London, pp: 200

Schlumberger., 1972- Log interpretation principles.Vol 1.1972 Edition.

Schowig, B., Band Day, R., 1996- Artificial intelligence in the Petroleum industry.

Yang,Y., Aplin, A. C. and Larter, S. R., 2004 - Quantitative  assessment of mudstone lithology using petrophysical wireline logs and artificial neural networks. EAGE/Geological Science of London .Vol 10 2004. Pp.141-151.