ماهنامه علمی- ترویجی اکتشاف و تولید نفت و گاز

Mendeley  

Zotero  

توصیف هر مخزن نفتی نیاز به مدل پتروفیزیکی سنگ مخزن دارد. دو پارامتر مهم و بنیادی یک مدل پتروفیزیکی، تخلخل و نفوذپذیری هستند. اندازه‌گیری‌های آزمایشگاهی این پارامترها معمولاً هزینه‌ بر و تهیه نمونه‌های مغزه از کل چاه اقتصادی نیست. از این‌رو، امروزه تخلخل با استفاده از نمودارهای متداول چاه‌پیمایی و نرم‌افزارهای پتروفیزیکی تعیین و نفوذ پذیری از روش‌های غیرمستقیم مانند رگرسیون، مدل‌های ناحیه‌ای و روابط تجربی برآورد می‌شوند. عموماً مقادیر تخمینی و اندازه‌گیری‌شده آنها با یکدیگر تفاوت دارند. این اختلاف می‌تواند ناشی از خطای سیستماتیک مانند شرایط اندازه‌گیری، خطای ابزار، خطای انسانی و خطای تصادفی باشد. در مخازن ناهمگن کربناته به‌ویژه نواحی و چاه‌هایی که مغزه‌گیری نشده‌اند، تخمین تخلخل و نفوذ پذیری با نمودارهای چاه‌پیمایی و روش‌های آماری مشکل است. در این مقاله قصد داریم اثر لیتولوژی در بهبود مدل‌سازی پتروفیزیکی مخزن کربناته ناهمگن را با استفاده از روش‌ تحلیل احتمالاتی و شبکه‌ عصبی مصنوعی در یک میدان نفتی جنوب‌ ایران نشان دهیم. برای این منظور، دو مدل تخلخل با استفاده از تحلیل احتمالاتی و شبکه عصبی مصنوعی در یک چاه تهیه و نتایج آنها با نمونه‌های مغزه در چاه دیگری مقایسه شدند. این مقایسه‌ها نشان داد که تخلخل‌ و نفوذپذیری مدل‌شده با داده حاصل از مغزه کاملاً منطبق نیست.در مرحله بعد، سنگ مخزن با استفاده از لیتولوژی، زون‌بندی شد. برای هر زون یک مدل شبکه عصبی به‌گونه‌ای طراحی شد که داده‌های ورودی و خروجی به شبکه به‌ ترتیب نمودارهای چاه‌پیمایی و داده مغزه‌ی مربوط به آن زون بودند. سپس مدل‌های آموزش یافته در هر زون در زون مشابه چاه دیگر آزمایش شدند. نتیجه اعتبارسنجی این مدل‌ها نشان دادند که اختلاف بین این مدل‌ها و داده‌های مغزه بسیار کمتر از دو روش قبلی است.