بخشی از مقاله

چکیده

از آنجایی که در ارزیابی پتروفیزیکی یک مخزن هنگامی که انواع نمودارهای لازم برای یک چاه وجود نداشته باشد، نمیتوان یک تفسیر دقیق و واقعی از سنگ شناسی و اشباع سیالات درون چاه ارائه نمود، لذا در این مقاله سعی شده است با استفاده از سیستم های هوشمند شبکه های عصبی مصنوعی و با بکارگیری نرم افزار Geolog ، کار تخمین مجدد نمودارهای قدیمی آسیبدیده و یا نمودارهای جدید را برای چاههای فاقد این نمودارها انجام دهیم تا ارزیابی کاملی از پارامترهای پتروفیزیکی داشته باشیم. در این مقاله نمودارهای جذب فتوالکتریک - - PEF و تصحیح اشعه گاما - CGR - برای مخزنی در جنوب ایران به روش شبکه عصبی تخمین زده شده است و بهترین نتایج برای ضریب همبستگی بین نمودار تخمین زده شده و نمودار واقعی به ترتیب برای PEF و CGR ، %84 و %97 به دست آمده است.

-1 مقدمه

مطالعات چاهپیمایی در ارزیابی منابع نفتی نقش بسیار بارزی را ایفا می کنند و اهمیت این مطالعات به حدی است که هر ساله ابزار جدیدی که کارایی بیشتری دارند طراحی و به کارگرفته میشوند. افزون بر مهندسی نفت، روشهای چاهپیمایی در ارزیابی آبخوانها و چاههای آب، مهندسی اکتشاف معدن، مکانیک سنگ، مطالعات ساختگاهی و حتی ژئوفیزیک محیط زیست مورد استفاده قرار میگیرند. همزمان با توسعه دستگاه های نمودارگیری، تفسیر و ارزیابی نمودارها در صنایع نفتی از آن تحت عنوان مهندس پتروفیزیک - فیزیک سنگ - یاد میشود نیز توسعه یافت. بطوریکه امروزه مهندسین پتروفیزیک با ارزیابی دقیق نمودارها به کمک کامپیوترها قادر به محاسبه پارامترهای مختلف مخزن از قبیل میزان اشباع آب، اشباع هیدروکربن، تخلخل، نفوذپذیری، نوع سنگ و ... هستند.

اولین نمودار الکتریکی در سال - 1927 - 1306 در یکی از چاه های میدان نفتی Pechelbronn در Alsace، از استانهای شمال غربی فرانسه ثبت شد و تنها شامل یک نمودار مقاومت مخصوص الکتریکی بود و برای ثبت آن از متد station استفاده گردید. بیشک ارزیابی پارامترهای پتروفیزیکی مخزن منوط به در دست بودن نمودارهای چاه نگاری به تعداد کافی میباشد، زیرا در ارزیابیهای پتروفیزیکی هنگام که انواع نمودارهای موجود برای یک چاه به تعداد کافی نباشد، نمیتوان یک تفسیر دقیق و واقعی از سنگ اشباع سیالات درون چاه ارائه نمود.

شبکه عصبی روشی برای محاسبه است که برپایه اتصال به هم پیوسته چندین واحد پردازشی ساخته میشود. روشهای شبکه عصبی به عنوان روش هوشمند قادر است نمودارهای چاهنگاری را با استفاده از سایر نمودارهای ژئوفیزیکی موجود در چاههای یک منطقه تخمین بزنند. در این پروژه از شبکه عصبی Artifical Neural Network - ANN - به کمک نرم افزار Geolog با Version 7 برای تخمین نمودارهای خام چاهنگاری استفاده شده است که خود وجه تمایز این تحقیق با موارد ذکر شده قبلی میباشد.

-1-1 ساختار شبکه عصبی مصنوعی

شبکههای عصبی مصنوعی از یک سری واحدهای ساختمانی اولیه تشکیل می شوند. این واحدهای ساختمانی را سلول عصبی، نرون، واحد پردازش یا گره مینامند. هر سلول عصبی دارای چندین ورودی است، این ورودیها با هم ترکیب شده و پس از انجام عملیات پردازش یک خروجی را ارائه میدهند. سلولهای شبکه هستند بهطوری که خروجی هر واحد به عنوان ورودی واحدهای دیگر مورد استفاده قرار میگیرد. شبکههای عصبی ساختار لایهای دارند. اولین لایه، لایه ورودی، لایه آخر نیز لایه خروجی است. داده ها در سلولهای لایه ورودی جای میگیرند.

لایه ورودی کار خاصی انجام نمیدهد و صرفاً دادههای ورودی را در قسمت خروجی خود کپی میکند. به جز لایه ورودی تمام لایههای دیگر شبکه عصبی در کار پردازش شرکت میکنند و در نهایت خروجی بهدست میآید. لایه های بین، لایه ورودی و لایه خروجی را لایه های میانی، داخلی یا پنهان مینامند. اگر شبکه دارای m نرون در لایه ورودی، n1 نرون در لایه پنهان اول، n2 نرون در لایه پنهان دوم و p نرون در لایه خروجی باشد آن را به صورت شبکه m-n1-n2-p نشان میدهند. شبکههای عصبی اولیه تنها دو لایه - ورودی و خروجی - داشتند و به همین دلیل تنها قادر به حل مسائل خطی بودند ولی ساختارهای توسعه یافته امروزی شامل سه و یا تعداد بیشتری لایه است. در حال حاضر شبکه سه لایهای رایجترین ساختار میباشد، چرا که در عین سادگی قادر به حل اکثر مسائل پیچیده و غیر خطی میباشد.

-2-1 زمین شناسی منطقه مورد نظر

در چاه های میدان های نفتی اهواز، مارون، منصوری، آب تیمور، چشمه خوش سازند آسماری با ردیفی ازآهک، ماسه سنگ آهکی و آهکهای ماسهای در تناوب با آهک و شیل مشخص می شود که این ماسه سنگها به نام بخش ماسه سنگی اهواز خوانده میشود. این ماسه سنگ در ابتدا به دو قسمت پایینی و بالایی تقسیم گردیده است که قسمت بالایی تناوبی از سازند ماسهسنگی غار از جنوب عراق به حساب آمده است و ارتباط آن در چاههای جوفیر، دارخوین و خرمشهر بسیار ملموس است. قسمت زیرین این ماسه سنگ در میدانهایی مانند اهواز و مارون توسعه یافته و به صورت زبانهای، بین انگشتی و عدسی در درون آسماری جایگزین شده است ولی در عراق دارای سازند همارز نبوده و شاید نام بخش ماسهسنگی اهواز برازنده این قسمت باشد.

-2 روش، بحث و بررسی

در این مقاله، اطلاعات مربوط به دو چاه قدیم و جدید در یکی از مخازن نفتی جنوب کشور انتخاب گردیده است. چاه جدید را Well A و چاه قدیم را Well B نامگذاری کردهایم. اطلاعات حاصل از چاه A شامل نمودارهای قطرسنجی - HCAL - ، اشعه گاما - GR - ، تصحیح اشعه گاما - CGR - ، نمودارهای مقاومت ویژه از قبیل - ILD, ILS, FFL - ، صوتی - DT - ، نوترون - NPHI - ، جذب فتو الکتریک - PEF - ، دانسیته - RHOB - میباشد و چاه B شامل تمام نمودارهای چاه A بجز نمودار CGR و PEF میباشد که هدف از این مقاله هم تخمین نمودارهای CGR و PEF در چاه B و ارزیابی پتروفیزیکی این چاه است. عمق نمودارگیری به کار گرقته شده در این مقاله برای چاه A از عمق 3465 تا 3735 متر و برای چاهB از عمق 3382 تا 3692 متر بوده است.

-1-2 تعیین ضریب همبستگی آماری بین نمودارهای مختلف

به منظور استفاده از دادههای مختلف برای ورودی شبکه عصبی ANN یک مطالعه همبستگی آماری خطی و غیر خطی بین دادههای نمودارهای مختلف انجام می شود که طبق نتایج ضرایب همبستگی آماری در بررسی نمودار PEF بر حسب نمودارهای دیگر، کمترین ضریب همبستگی مربوط به نمودار ILD و GR است و در بررسی نمودار CGR بر حسب نمودارهای دیگر، مربوط به نمودار ILD و RHOB است. با توجه به تئوری شبکه عصبی ANN، برای داده های ورودی شبکه عصبی، آنهایی را انتخاب می کنیم که بالاترین ضریب همبستگی را دارند. بنابراین برای تخمین نمودار PEF، نمودارهای DT وNPHI و RHOB و برای تخمین نمودار CGR، نمودارهای GR و DT و NPHI را به عنوان ورودی شبکه عصبی معرفی می کنیم.

-2-2 تعیین شبکه عصبی بهینه

پس از انجام تصحیحات لازم و آماده سازی دادهها، شبکه های عصبی مختلفی جهت تخمین نمودارهای PEF و CGR معماری شده است. لازم به ذکر است که در طراحی این شبکه عصبی از دادههای چاه A جهت آموزش و اعتبارسنجی شبکه استفاده شده است و سپس شبکه طراحی شده برای چاه B بکار برده شده است.

-3-2 مشخصات و نتایج شبکه طراحی شده

بهطور کلی در این مقاله از شبکه عصبی ANN در نرم افزار Geolog استفاده شده است. در مرحله تخمین به وسیله شبکه عصبی از لایههای پنهانی و تعداد ورودیهای مختلفی استفاده شده است که در جدول ذیل نتایج تخمین با این شبکه عصبی را مشاهده می کنیم.

در متن اصلی مقاله به هم ریختگی وجود ندارد. برای مطالعه بیشتر مقاله آن را خریداری کنید