بخشی از مقاله
چکیده
تخلخل یکی از اساسی ترین پارامترهای پتروفیزیکی مخزن است. در مکان هایی که مغزه گیری نشده تخمین تخلخل از روی نگارهای چاه با روشهای استاتیکی کار پیچیده ای است و استفاده از تکنیکهای پیشرفته تخمین اجتناب ناپذیر است. این ابزارها با کاهش هزینه های اکتشاف در بهره برداری از منابع هیدروکربنی کمک شایانی می کنند. از جمله این ابزارها شبکه های عصبی مصنوعی است. هدف این تحقیق طراحی یک شبکه عصبی مصنوعی از نوع شعاعی دینامیکی DRBF برای تخمین تخلخل یک مخزن هیدروکربنی با استفاده از نشانگر لرزه ای امپدانس صوتی و پیدا کردن یک رابطه غیر خطی بین نشانگر لرزه ای و تخلخل مخزن است. اطلاعات موجود از نگاره های چاه به عنوان مقادیر آموزشی تابع شعاعی استفاده شد. پس از اعمال الگوریتم، خروجی شبکه که همان تخلخل واقعی است بدست آمد. سپس الگوریتم بدست آمده روی داده های لرزه ای حاصل از نشانگر مقاومت صوتی اعمال شد تا تخلخل پیش بینی شده بدست آید. در نهایت شبکه عصبی شعاعی DRBF برای برآورد توزیع تخلخل در میدان نفتی جنوب غربی ایران به کاربرده شد. نتایج نشان می دهد تخلخل پیش بینی شده با روش DRBF دارای دقت بالایی است.
-1 مقدمه
خصوصیات مخزن یکی از اطلاعات کیفی مهم در اکتشاف لرزه ای و آنالیز مخازن است. معمولا زمین شناسان و ژئوفیزیک دانان منطقه هدف را با کمک داده های چاه تفسیر می نمایند. در مکان هایی که مغزه گیری نشده تخمین تخلخل از روی نگارهای چاه با روشهای استاتیکی کار پیچیده ای است و استفاده از تکنیک های پیشرفته تخمین اجتناب ناپذیر است. این ابزارها با کاهش هزینه های اکتشاف در بهره برداری از منابع هیدروکربنی کمک شایانی می کنند. از جمله این ابزارها استفاده از نشانگرهای لرزه ای است. نشانگرها و بررسی آنها مهم ترین عملکرد را در برآورد ویژگی های مخزن دارند .امپدانس صوتی یکی از نشانگرهایی است که از سالیان قبل در به دست آوردن ویژگی های مخزن از جمله تخلخل، اشباع آب و میزان رس کاربرد گسترده ای داشته است. ترکیب داده های نگار چاه با داده های لرزه ای از هدف های اصلی زمین شناسان بوده است. یک نوع ترکیب داده ها، مدل سازی مستقیم داده های مصنوعی لرزه ای از داده های چاه و نوع دیگر آن، وارون سازی داده های لرز ه ای است .یکی از روش های پیدا کردن ارتباط آماری بین داده های لرزه ای و نگارهای چاه شبکه های عصبی مصنوعی است .[1] که از تکنیکهای جدید تکمیلی در صنعت نفت میباشد. شبکه عصبی میتواند مقادیر واقعی تخلخل را از روی دادههای نگار ژئوفیزیکی بدون توجه به محدودیت چاه های مغزه گیری شده در میدان، پیشبینی کند. علاوه برآن، توزیع تخلخل نیز میتواند بوسیله شبکه عصبی، به نقش درآید. هدف این تحقیق طراحی یک شبکه عصبی مصنوعی از نوع شعاعی دینامیکی DRBF برای تخمین تخلخل یک مخزن هیدروکربنی با استفاده از نشانگر لرزه ای مقاومت صوتی از روی داده های نگار های چاه است.
-2 بحث
در ابتدا داده های سه بعدی لرزه ای مربوط به منطقه مورد نظر به همراه داده های نگارهای چاه انتخاب و با استفاده از نرم افزار رایانه ای مرسوم مورد تفسیر قرار گرفت. بعد از وارد کردن نگارهای ذکر شده این داده ها با داده های چک شات هم سنجی گردید. هدف از این عمل تبدیل نگار صوتی و نگار چگالی از عمق به زمان بود تا تطبیق این داده ها با داده های لرزه نگاری امکان پذیر گردد. سپس با استفاده از اطلاعات نگارهای چگالی و صوتی، مدلی از سری ضرایب بازتاب در محل چاه ساخته شد، با اعمال موجک تخمینی رد لرزه مصنوعی ساخته شد و این رد با رد لرزه ای در محل چاه مطابقت داده شد. از همامیخت موجک لرزه ای با سری ضرایب بازتاب لرزه نگاشت مصنوعی تولید گردید. برای انجام برگردان لرزه ای، نیاز به تفسیر ساختمانی یا مدل زمین شناسی به صورت افق های مشخص بود. در این قسمت هر یک از افق های موجود تفسیر شد و با استفاده از چاه و مقطع لرزه ای یک مدل اولیه زمین شناسی در محدوده فرکانس پایین با استفاده از اطلاعات لرزه ای ساخته شد. در مرحله بعد با استفاده از روش وارون سازی بر پایه مدل، مدل امپدانس صوتی تهیه شد. شکل 1، یک مقطع از داده های سه بعدی لرزه ای همراه با نتیجه حاصل از وارون سازی مقطع را، نشان می دهد. به دلیل موجود نبودن نگار تخلخل با روابط ریاضی این نگار تخمین زده شد. سپس از امپدانس صوتی حاصل از برگردان لرزه ای بر پایه مدل به عنوان یک نشانگر استفاده شد. در مرحله بعدی لیستی از نشانگرهای چندگانه توسط نرم افزار تهیه گردید و در مرحله آخر روش شبکه های عصبی بکار گرفته شد. شکل - : - 1 مقطع داده های لرزه ای سه بعدی - سمت راست - همراه با مقطع امپدانس صوتی حاصل از وارون سازی بر پایه مدل - سمت چپ - .
جدول - 1 - ، نتیجه محاسبات رگرسیون مرحله ای را نشان می دهد که هر سطر مربوط به تبدیل چند نشانگر است. در اینجا از 6 نقطه عملگر مرسوم استفاده شده و بیشترین تعداد نشانگرها در رگرسیون مرحله ای 7 است. همانند اطلاعات موجود در جدول - - 1 ، شکل - 3 - به صورت ترسیمی نتیجه اعتبارسنجی را بیان می کند. در شکل - - 3 منحنی پایینی مربوط است به خطای پیش بینی زمانی که همه چاهها در بررسی ها استفاده شده اند. همان طور که انتظار می رود با افزایش تعداد نشانگرها منحنی به سمت پایین می رود. منحنی بالایی مربوط به خطای اعتبارسنجی است.