بخشی از مقاله
خلاصه
هزینه هاي پایین و پیوستگی اطلاعات دریافتی از نگارهاي پتروفیزیکی در مقابل هزینههاي بالاي برداشت مغزه و عدم پیوستگی اطلاعات حاصل از نتایج آزمایشگاهی، استفاده از نگارهاي پتروفیزیکی را براي آگاهی از خواص مکانیکی سنگ مخزن در اولویت قرار داده است. از میان نگارهاي پتروفیزیکی، سرعت موج برشی همراه با سرعت موج فشاري اطلاعات دقیقی از خواص ژئومکانیکی سنگ ارائه میدهند. به دلیل هزینهبر بودن برداشت نگار صوتی برشی، در تعداد محدودي از چاههاي میدان نفتی این اطلاعات موجود است. لذا تلاشهاي متعددي براي تخمین موج برشی از روي نگارهاي پتروفیزیکی صورت گرفته است.
در مقاله حاضر براي تخمین موج برشی از نگارهاي نوترون، دانسیته، موج فشاري، گاما و عمق استفاده شد. بدین منظور؛ ابتدا از سه رابطه تجربی پیکت - 1963 - ، کاستاگنا - 1993 - و بروچر - 2005 - براي تخمین موج برشی استفاده شد. سپس شبکه عصبی پرسپترون چند لایه - MLP - با سه لایه پنهان براي تخمین موج برشی به کار برده شد.
اطلاعات مورد استفاده در این مطالعه شامل 1042 نقطه داده از چاهی در میدان آبتیمور میباشد که در سازند سروك واقع شده است. نتایج بکارگیري مدلهاي تجربی و شبکه عصبی MLP حاکی از کارایی خوب شبکه عصبی در تخمین موج برشی است. ضریب همبستگی براي سه مدل تجربی پیکت، کاستاگنا و بروچر به ترتیب برابر 0/838،
0/845 و 0/846 حاصل شد که نشان میدهد مدل تجربی بروچر براي چاه مورد مطالعه بهتر از دو مدل دیگر عمل میکند. ضریب تعیین براي شبکه عصبی در دو مرحله آموزش و آزمون به ترتیب 0/967 و 0/948 حاصل شد.
.1 مقدمه
نگارهاي پتروفیزیکی ابزاري غیرمستقیم براي شناسایی خواص فیزیکی و مکانیکی سنگهاي لایههاي زیرزمین هستند. از میان نگارها، نگارهاي موج فشاري و برشی اطلاعات خوبی را از خواص مکانیکی سازندها ارائه میدهند اما براساس مطالعات انجام شده براي اندازهگیري خواص مکانیکی لایههاي زیرزمین، داشتن دادههاي موج برشی براي محاسبات دقیق و قابل اطمینان ضروري است
موج برشی بر خلاف موج فشاري به دلیل هزینه بالا یا دلایل تکنیکی، تنها در تعداد محدودي از چاههاي یک میدان برداشت میشود. این امر موجب شد تلاشهاي متعددي براي تخمین موج برشی از نگارهاي پتروفیزیکی صورت گیرد. تلاشهاي صورت گرفته در این زمینه را میتوان از لحاظ روشهاي به کار برده شده به دو گروه، روشهاي رگرسیونی و هوش مصنوعی تقسیم نمود. روشهاي رگرسیونی به دلیل سادگی در کاربرد بسیار محبوب هستند هر چند این روشها براساس دادههاي میادین خاصی توسعه داده شدهاند. در این روشها بیشتر از داده موج فشاري براي تخمین موج برشی استفاده شده است و در تعداد محدودي از تحقیقات به استفاده از سایر نگارها در تخمین موج برشی پرداخته شده است .
امروزه، استفاده از روشهاي هوش مصنوعی به دلیل کارایی آنها در حل مسائل پیچیده، درتخمین موج برشی استفاده میشود. این روشها نسبت به روشهاي رگرسیونی نتایج دقیقتري ارائه میدهند.
در این مقاله، به تخمین موج برشی در یکی از چاههاي میدان نفتی آبتیمور با استفاده از سه روش تجربی پیکت - 1963 - ، کاستاگنا - 1993 - و بروچر - 2005 - پرداخته خواهد شد. سپس از شبکه عصبی پرسپترون چند لایه براي تخمین موج برشی استفاده خواهد شد.
.2 میدان مورد مطالعه
میدان نفتی آبتیمور از میدانهاي نفتی ایران است، که در استان خوزستان، در فاصله 25 کیلومتري از غرب اهواز، میان میدان نفتی منصوري و میدان نفتی اهواز قرار دارد. چاه مورد مطالعه در این تحقیق داراي عمق 3480 متر است و محدوده مورد مطالعه در این چاه در مخزنی با ضخامت 160 متر در سازند
سروك قرار دارد. اطلاعات مربوط به نگارهاي برداشت شده در این چاه در شکل 1 نشان داده شده است. به دلیل محرمانه بودن اطلاعات، چاه A نامگذاري شد. تعداد نقاط داده برداشت شده در این محدوده 1042 نقطه میباشد. نگارهاي برداشت شده در این چاه شامل، عمق - Depth - ، کالیپر - Caliper - ، فوتوالکتریک - PEF - ، مقاومت الکتریکی سازند - RT - ، گاما - GR - ، تخلخل - NPHI - ، چگالی - RHOB - ، موج فشاري - DTCO - و موج برشی - DTSM - ، میباشند.
شکل .1 نمودار نگارهاي برداشت شده در چاه A
.3 تخمین موج برشی
در این بخش ابتدا با سه روش تجربی پیکت - 1963 - ، کاستاگنا - 1993 - و بروچر - 2005 - به تخمین موج برشی پرداخته خواهد شد. این روشها تنها از نگار موج فشاري در تخمین موج برشی استفاده میکنند. سپس براي اخمین موج برشی، شبکه عصبی پرسپترون چند لایه به کار برده خواهد شد. با توجه به قابلیت پردازش همزمان چندین ورودي توسط شبکههاي عصبی، علاوه بر نگار موج فشاري از سایر نگارها نیز استفاده خواهد شد.
.1.3 روشهاي تجربی
پیکت - 1963 - با استفاده از اندازهگیريهاي آزمایشگاهی دریافت که سرعت موج فشاري - - و موج برشی - - تابعی از نوع سنگ است. بنابراین از نسبت موج فشاري به برشی براي تشخیص نوع سنگ استفاده نمود. با توجه به اینکه سازند سروك از مخازن کربناته است رابطه پیکت براي چاه مورد مطالعه مطابق با رابطه زیر میباشد. واحد سرعت در این رابطه کیلومتر بر ثانیه میباشد. نتیجه بکارگیري این رابطه تجربی بر روي دادههاي چاه مورد مطالعه در شکل 2 - الف - نشان داده شده است.
یکی از مدلهاي بسیار گسترده براي پیشبینی موج برشی رابطه ارائه شده توسط کاستاگنا - 1993 - میباشد .[9] کاستاگنا و همکاران در سال 1993 رابطه تجربی را براساس سرعت موج برشی در ماسه سنگ، سنگ آهک، شیل و دولومیت ارائه دادند. از آنجایی که در این مطالعه سازندهاي کربناته بررسی شده است بکارگیري آن در این مقاله حائز اهمیت میباشد. رابطه 2 مدل کاستاگنا براي تخمین موج برشی میباشد. پارامترهاي سرعت در این رابطه برحسب کیلومتر بر ثانیه میباشد. نتیجه بکارگیري این روش در شکل 2 - ب - نشان داده شده است.
براساس دادههاي سرعت موج براي گستره وسیعی از سنگها، از رسوبات نامستحکم تا سنگهاي آذرین با تخلخل کم و از توفهاي ولکانیک تا سنگهاي دگرگونی، رابطه غیرخطی 3 را ارائه داد. از آنجایی که این رابطه براي سنگهایی با سرعت موج بین 1/5 تا 8/5 کیلومتر بر ثانیه ارائه شده است و دادههاي سرعت موج در این تحقیق نیز در این محدوده میباشد از این رابطه استفاده شد. شکل 2 - ج - نتیجه بکارگیري این مدل روي داده هاي تحقیق را نشان میدهد.
در شکل - د - بهترین رابطه برازش شده توسط مولفان بر روي داده هاي تحقیق نشان داده شده است. بر این اساس رابطه 4 بهترین برازش را بر روي داده هاي تحقیق نشان داد.
شکل .2 نتیجه حاصل از بکارگیري: - الف - مدل پیکت - 1963 - ، - ب - مدل کاستاگنا - 1993 - ، - ج - مدل بروچر - 2005 - و - د - مدل برازش شده
.2.3 شبکه عصبی
امروزه شبکههاي عصبی مصنوعی به دلیل ارائه جوابهاي قابل قبول براي مسائل پیچیده در صنعت، به صورت روزافزونی توسط محققان مورد استفاده قرار میگیرد. علاوهبراین، شبکههاي عصبی نسبت به اثر نوفه مقاوم هستند و قابلیت یادگیري و تعیممپذیري خوبی دارند. این قابلیتها، شبکههاي عصبی را براي حل بسیاري از مسائل در صنعت نفت مناسب ساخته است .[10] شبکههاي عصبی قادر به حل بسیاري از انواع مسائل از جمله تخمین تابع، تشخیص الگو، طبقهبندي و بهنیهسازي و کنترل اتوماتیک هستند.
عناصر اصلی شبکههاي عصبی، نرونهاي مصنوعی یا پرسپترون هستند. این نرونها نقش نرونهاي بیولوژیکی را ایفا میکنند. یک شبکه عصبی ممکن است از چندین نرون تشکیل شده باشد که به یکدیگر ارتباط دارند .[11] یکی از ساختارهاي گسترده شبکه عصبی، پرسپترون چند لایه است. یک پرسپترون چند لایه از دو یا بیشتر از دو لایه تشکیل شده است که در هر لایه تعدادي نرون قرار دارد که به صورت کامل به نرونهاي لایه بعدي متصل هستند. از لحاظ نحوه اتصال، دو نوع اصلی شبکه عصبی، پیشرو و پسرو، وجود دارد.
در نوع پیشرو، امواج تنها در یک جهت - از ورودي به خروجی - حرکت میکنند در حالی که در نوع پسرو، امواج میتوانند در دو جهت حرکت کنند. همچنین پرسپترون چند لایه را براساس روش آموزش میتوان به نظارت شده و غیرنظارت شده تقسیم نمود. عموما یک پرسپترون چند لایه از سه نوع لایه، ورودي، پنهان و خروجی تشکیل شده است. لایههاي ورودي دادههایی را در بر میگیرد که از دنیاي واقعی ثبت شدهاند و لایه پنهان نگاشتی را بین دادههاي ورودي و خروجی ایجاد میکند. هر نرون از دو پارامتر وزن و بایاس تشکیل شده است. شبکه عصبی این دو پارامتر را در طول یادگیري به گونهاي تنظیم میکند که خطاي تخمین مرحله آموزش کاهش یابد.
یکی از معایب شبکههاي عصبی عدم وجود روشی براي تعیین دقیق تعداد لایهها و نرونها براساس نوع مسئله میباشد. همچنین شبکههاي عصبی مبتنی بر داده هستند و این امر موجب میشود که نتایج آن از تعداد نقاط داده ورودي تاثیر پذیرد.
در این مقاله از شبکه عصبی پرسپترون چند لایه پیشرو استفاده شد. براي تعیین دقیق تعداد لایهها و نرونها روش آزمون و خطا به کار برده شد. ساختار بدست آمده براساس این روش داراي سه لایه پنهان است که در لایه اول و دوم 5 نرون و در لایه سوم 4 نرون وجود دارد
