برآوردکردن تخلخل موثر مخزن با استفاده از تحلیل چند نشانگری

پیام:
چکیده:
در این تحقیق با طراحی کردن یک شبکه عصبی احتمالاتی و همچنین استفاده همزمان از نشانگرهای لرزه ای و نگاره های تخلخل موثر چاه ها در محدوده مخزن، سعی در برآورد کردن تخلخل موثر در یکی از میادین نفتی واقع در خلیج فارس نموده ایم. برای رسیدن به این هدف از تبدیل چند نشانگری بین زیر مجموعه ای بهینه از نشانگرهای لرزه ای و نگاره های تخلخل موثر استفاده شده است.
داده های لرزه ای استفاده شده در این تحقیق شامل مکعب داده های لرزه ای سه بعدی مهاجرت یافته قبل از برانبارش (PSTM) می باشد که دارای اندازه بلوک 5/12 x 5/12 متر می باشد که فاصله نمونه برداری زمانی این داده ها چهار میلی ثانیه و طول تریس های لرزه ای دو ثانیه است. همچنین از اطلاعات پنج چاه قائم که در منطقه مورد مطالعه حفر شده اند و دارای مجموعه کاملی از نگاره های صوتی (DT)، چگالی (RHOB)، تخلخل موثر (PHIE) و داده های سرعت چک شات (Check shots) هستند نیز استفاده شده است. لایه مخزنی مورد مطالعه، بخش میشریف از سازند سروک با سن کرتاسه میانی می باشد که یکی از مخازن نفتی مهم در خلیج فارس است. راس میشریف منطبق است با سطح ناپیوستگی ترونین میانی (Middle Turonian Unconformity) و توسط سازند شیلی لافان پوشیده شده است. بخش میشریف در منطقه مورد بررسی از دو زون مخزنی تشکیل شده است. زون پائینی با دارا بودن محتوای رسی بیشتر از زون بالایی متمایز می گردد. زون بالایی شامل سنگ آهک های تمیز با خصوصیات مخزنی مناسب تری است.
برای تولید نشانگرهای لرزه ای مورد نیاز، ردلرزه ای موجود در محل چاه ها از مکعب داده های لرزه ای سه بعدی استخراج شدند. در این تحقیق نگاره های تخلخل موثر در محدوده مخزن، حکم نگاره های هدف را داشتند.
شبکه عصبی طراحی شده شامل یک لایه ورودی، یک لایه مخفی با چهار واحد پردازشی (نرون) و یک لایه خروجی می باشد. به منظور تهیه نمونه های آموزشی برای آموزش شبکه عصبی، ابتدا نگاره های PHIE با استفاده از رابطه زمان – عمق که با استفاده از منحنی های چک شات و نگاره های DT در محل هر کدام از چاه ها محاسبه شده بودند، به حوزه زمان برگردانده شدند. سپس این نگاره ها با استفاده از فیلتر هنینگ با طول 4 میلی ثانیه فیلتر شده و با نرخ نمونه برداری اطلاعات لرزه نگاری (4 میلی ثانیه) نمونه برداری مجدد شدند. در مرحله بعد یک مجموعه از نشانگرهای لرزه ای شامل شانزده نشانگر لرزه ای بر پایه نمونه تولید شد. نمونه های تهیه شده در این مطالعه (نشانگرهای لرزه ای انتخاب شده به همراه داده های تخلخل موثر متناظر در حوزه زمان) شامل 57 نمونه می باشد. برای آموزش شبکه، نمونه ها به سه بخش نمونه های آموزشی، اعتبار سنجی متقابل و آزمایشی تقسیم شدند. از نمونه های آموزشی برای تنظیم وزن ها، از نمونه های اعتبارسنجی برای پیشگیری از آموزش اضافی شبکه و از نمونه های آزمایشی، برای اطمینان از قابلیت تعمیم شبکه استفاده شد.
به منظور انتخاب بهترین نشانگرها برای آموزش شبکه عصبی، از روش برازش گام به گام پیشرو استفاده شده است. چهار نشانگر فرکانس غالب، دامنه تجمعی مطلق، فرکانس وزن دار دامنه و فیلتر میان گذر 60-45 هرتز تریس لرزه ای به عنوان بهترین نشانگرها انتخاب شدند.
پس از آموزش شبکه، از این شبکه برای تخمین داده های آزمایشی استفاده شد. نتایج بدست آمده حاکی از همبستگی خوب بین داده های واقعی و داده های تخمینی به میزان 92% است. در نهایت به منظور بالا بردن قابلیت تعمیم شبکه، نمونه های آزمایشی به نمونه های آموزشی اضافه شد و شبکه مجددا با تمامی داده ها آموزش داده شد و از آن برای تخمین تخلخل موثر در محل چاه ها استفاده شد. در این حالت ضریب هم خوانی بین داده های واقعی و داده های تخمینی به 95% افزایش یافت. نتایج این تحقیق قابلیت بالای شبکه های عصبی احتمالاتی را در برآوردکردن تخلخل موثر، حتی در مواقعی که تعداد نمونه های آموزشی کم است، روشن ساخت.
زبان:
فارسی
در صفحه:
1
لینک کوتاه:
magiran.com/p731375 
دانلود و مطالعه متن این مقاله با یکی از روشهای زیر امکان پذیر است:
اشتراک شخصی
با عضویت و پرداخت آنلاین حق اشتراک یک‌ساله به مبلغ 1,390,000ريال می‌توانید 70 عنوان مطلب دانلود کنید!
اشتراک سازمانی
به کتابخانه دانشگاه یا محل کار خود پیشنهاد کنید تا اشتراک سازمانی این پایگاه را برای دسترسی نامحدود همه کاربران به متن مطالب تهیه نمایند!
توجه!
  • حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران می‌شود.
  • پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانه‌های چاپی و دیجیتال را به کاربر نمی‌دهد.
In order to view content subscription is required

Personal subscription
Subscribe magiran.com for 70 € euros via PayPal and download 70 articles during a year.
Organization subscription
Please contact us to subscribe your university or library for unlimited access!