بخشی از مقاله
چکیده
در این مطالعه سعی گردید سازند آسماری میدان نفتی مارون از دیدگاه پتروفیزیکی مورد ارزیابی قرار گرفته و با تفسیر بهتر داده های چاه نگارهای پتروفیزیکی و سپس خوشه بندی صحیح انواع رخساره های الکتریکی گامی در جهت شناخت هر چه بهتر مخزن و کاهش عدم قطعیت در مطالعات رخساره ای و پارامترهای مخزنی آن حاصل شود. از اینرو نخست، پارامترهای پتروفیزیکی مخزن آسماری در دو چاه میدان نفتی مارون مورد ارزیابی و تفسیر قرار گرفت و با استفاده از الگوریتم های مختلف خوشه سازی، انواع رخساره های الکتریکی تعیین گردید.
بر این اساس تعدادی از نمودارهای چاه پیمایی خام از قبیل نمودار اشعه گاما، صوتی، چگالی، جذب فتوالکتریک و نوترون به همراه نمودارهای تفسیر شده اشباع آب و تخلخل بعنوان داده های ورودی انتخاب گردیدند. پس از آموزش داده ها با استفاده از سه روش خوشه بندی MRGC، SOM و AHC تعداد خوشه های بهینه مشخص گردید.
در این مطالعه مشخص گردید روش MRGC مناسب ترین روش خوشه بندی برای تعیین رخساره های الکتریکی بوده و نسبت به روشهای SOM و AHC توان بالایی در تفکیک رسوبات تخریبی از آهکی و زونهای با کیفیت مخزنی مختلف دارد. در نهایت 6 رخساره الکتریکی برای مخزن مورد مطالعه در نظر گرفته شد که شامل دو رخساره تخریبی - ماسه سنگی - و 4 رخساره کربناته می باشد.
- مقدمه
ارزیابی پارامترهای پتروفیزیکی و تعیین انواع رخساره های الکتریکی با ها تعریف می شود. خوشه بندی یکی از روشهای تشخیص الگو بوده و به استفاده از الگوریتم های مختلف خوشه سازی یکی از مهمترین کارهای گروه بندی دادهها میپردازد. ایدهی خوشهبندی برای اولین بار در دههی ارزیابی مخزن در میادین نفتی می باشد. رخساره های الکتریکی روشی 1935 ارائه شد و امروزه با پیشرفتها و جهشهای عظیمی که در آن پدید برای دسته بندی داده های چاه نگارهای پتروفیزیکی است که می تواند آمده، خوشه بندی مورد توجه بسیاری از محققان قرار گرفته است.
خوشه به نشان دهنده تغییر ویژگی های زمین شناسی یا مخزنی باشد. در صورت یک گروه از اشیا اطلاق میشود که شباهت بیشتری با هم نسبت به اشیا در ارایه رخساره های الکتریکی منطبق با پارامترهای زمین شناسی و مخزنی خوشههای دیگر دارند. تکنیکهای خوشهبندی از جمله روشهای بدون با الگوریتم مناسب، امکان توزیع بهتر خواص مخزنی در مدلسازی استاتیک نظارت است و هیچ شناخت اولیهای از کلاسها و یا در واقع خوشهها در آن مخزن فراهم می شود. رخساره های الکتریکی بر مبنای خوشه بندی داده وجود ندارد.
در برخی روشهای خوشه سازی از قبل تعداد خوشه ها مشخص می باشد در حالیکه در برخی روشهای دیگر تعداد خوشه ها براساس الگوریتم های مورد استفاده مشخص می شود. در این روشها سعی می گردد اعضای یک گروه بیشترین شباهت را با سایر اعضای گروه و حداکثر تفاوت را با اعضای گروههای دیگر داشته باشد. بهترین ویژگیها جهت تعیین لیتولوژی لاگهایی همچون PEF، RHOB، GR، PHIE و NPHI میباشد که با استفاده از این ویژگیها به عنوان پارامترهای ورودی در خوشهبندی، ملاحظه میشود که دادهها در فضای ویژگی دارای ساختاری تودهای و خطی به صورت توامان میباشند.
الگوریتم های مورد استفاده در خوشه سازی:
➢ MRGC: Multi resolution graph based clustering
➢ AHC: Ascendant hierarchical clustering
➢ SOM: Self organizing map
هر کدام از الگوریتمها با استفاده از روشهای محاسباتی مختص به خود تعداد خوشه ها را با استفاده از داده های پتروفیزیکی تعیین و تفکیک می کنند.
1-1 روش خوشه سازی چند تفکیکی بر پایه گراف - MRGC -
روش MRGC یک روش نوین و قدرتمند برای دستهبندی میباشد. این تکنیک مبتنی بر تشخیص الگوی نقطه ای چند بعدی بر مبنای نزدیک ترین همسایگی و نمایش گرافیکی داده ها است. خوشه سازی براساس نمودار با تفکیک پذیری چندتایی - MRGC - یک روش آماری غیر پارامتریک است که مشکل وابستگی به بعد را از بین می برد و اطلاعات مفیدی در مورد رخساره های زمین شناسی از ساختار خود داده به دست می آورد.
این روش می تواند بهینه ترین دسته ها را در بین حدود پایینی و بالایی از قبل تعیین شده ارایه دهد. روش MRGC مبتنی بر تشخیص الگوی نقطه ای چندبعدی بر مبنای نزدیکترین همسایگی و نمایش گرافیکی داده هاست. در واقع این روش تلفیقی از هوش مصنوعی و روش خوشه بندی سلسله مراتبی است. در این روش دو اندیس اضافه شده است که که شامل شاخص KRI و NI می باشد. NI پارامتر شاخص همجواری و KRI پارامتر شاخص کرنل است.
1-2 خوشه سازی سلسله ای یا طبقه بندی ترتیبی صعودی یا روش AHC
خوشه سازی سلسله ای ابزاری مفید برای زون بندی مخازن هیدروکربنی است. با استفاده از این روش می توان در ابعاد نامتناهی فضایی، خوشه ساخت هر چند خوشه های ساخته شده صرفاً در سه بعد فضایی قابل مشاهده خواهند بود. روش AHC روشی برای گروه بندی داده ها به طور همزمان در مقیاسهای مختلف استفاده از درخت خوشه ای است، به بیان دیگر، تولید یک سلسله خوشه از خوشه های کوچکتر با محتوای داده ای خیلی شبیه به هم برای تولید خوشه های بزرگتر که حاوی محتوای داده ای با بیشترین اختلاف می باشند از وظایف خوشه سازی سلسله ای می باشد
این روش، یک خروجی گرافیکی تولید کرده که به عنوان دندروگرام یا درخت شناخته می شود، به طوریکه نشان دهنده ساختار خوشه سازی سلسله ای می باشد - Castillo et al,1997 - این درخت یک مجموعه مستقل از داده ها نیست، بلکه بیشتر به عنوان یک طبقه بندی چند سطحی است که خوشه ها در یک سطح پایینتر به خوشه های سطوح بالاتر متصل می شوند این خاصیت به ما اجازه می دهد که تصمیم بگیریم کدام سطح یا مقیاس از خوشه سازی برای موضوع مورد نظر مناسبتر است.
1-3 روش شبکه عصبی خود سامان - SOM -
شبکه عصبی خود سامان ده - SOM - یک نوع شبکه عصبی مصنوعی است که از طریق یادگیری بدون نظارت برای تولید فضای حالت با بعد کم، از فضای ورودی، آموزش داده می شود. برخلاف بیشتر روشهای قدیمی که از یک الگوریتم ساده برای حل مسائل مورد نظر استفاده می کنند، این روش از فرآیند فراگیری از نمونه ها بهره می برد.
الگوریتم شبکه عصبی خود سامان ابزار مناسبی برای خوشه بندی داده هاست و قادر است روابط آماری غیرخطی بین داده های ورودی را به روابط هندسی ساده تبدیل کند که یک رابطه رگرسیونی بازگشتی نامتغیری است، چنان که با ارائه هر نمونه، رگرسیون به صورت بازگشتی اجرا می شود. روش SOM برای کاربردهای مختلفی قابل استفاده است. به همین دلیل نسبت به دیگر روشهای موجود توجه بیشتری را به خود جلب کرده است. با این وجود این روش به مقداردهی اولیه حساس می باشد و داده های خارج از محدوده، خوشه بندی را دچار مشکل می سازد
1-4 مشخصات میدان نفتی مارون
میدان نفتی مارون، یکی از میادین بزرگ نفتی ایران و جهان به شمار میآید. میدان مارون در جنوب فروافتادگی دزفول شمالی و در بخش میانی زون ساختاری زاگرس چین خورده ساده، در امتداد تاقدیس های رامین و آغاجاری قرار دارد. این میدان در فاصله 61 کیلومتری شرق شهرستان اهواز و حدود40 کیلومتری جنوب شهرستان رامهرمز در مجاورت بخش شرقی جاده رامهرمز - اهواز واقع شده است
میدان مارون دارای 67 کیلومتر طول و بطور متوسط 7 کیلومتر عرض می باشد. ساختمان میدان مارون تاقدیسی تقریبا نامتقارن با عرض کم و طویل است که با جهت شمال غرب - جنوب شرق بخصوص در قسمتهای غربی و مرکزی مشخص می شود. میرزاقلی پور براساس اطلاعات 17 چاه، مخزن آسماری را به پنج زون اصلی و پنج زیرزون تقسیم کرد - میرزاقلی پور، . - 1368 شرکت استات اویل بر اساس تناوب لایه های ماسه سنگی و کربناته و با توجه به مفاهیم چینه شناسی و داده های مربوط به 275 حلقه چاه، مخزن آسماری را به 19 زون مخزنی تقسیم کرده است .
شکل-1 موقیت میدان مارون
-2 روش مطالعه
در این مطالعه از نرم افزار ژئولاگ، جهت تعیین انواع رخساره های الکتریکی استفاده گردید. پس از آموزش داده ها توسط این نرم افزار خوشه سازی و تعیین رخساره های الکتریکی با استفاده از ماژول - $&,0$* - نرم افزار ژئولاگ انجام گرفت. در این مطالعه از سه روش خوشه بندی MRGC، SOM و AHC استفاده گردید.
-3 بحث
در این مطالعه ابتدا پس از تفسیر پتروفیزیکی دو چاه مورد مطالعه یک چاه به عنوان چاه رفرنس جهت خوشه سازی انتخاب گردید. برای تعیین رخساره های الکتریکی ابتدا داده های ورودی و مبنا انتخاب گردید. تعدادی از نمودارهای چاه پیمایی خام و تفسیر شده که بیشترین ارتباط را با خوشه بندی مورد نظر ما داشتند بعنوان داده های ورودی انتخاب گردیدند.
این نمودارها شامل نمودارهای خام از قبیل نمودار اشعه گاما CGR، نمودار صوتی DT، نمودار چگالی RHOB، نمودار جذب فتوالکتریک PEF و نمودار نوترون NPHI به همراه نمودارهای تفسیر شده شامل نمودار اشباع آب SW و نمودار تخلخل می باشد. در شکل-2 هیستوگرام های مربوط به نمودارهای چاه پیمایی خام و تفسیر شده مورد استفاده در خوشه سازی نشان داده شده است. در مرحله بعد داده ها ی ورودی پس از بررسی و مشاهده کراس پلاتهای مربوطه آموزش داده شدند.
پس از آموزش داده ها با استفاده از سه روش خوشه بندی تفکیکی گرافیکی MRGC، SOM و AHC تعداد خوشه های بهینه مشخص گردید.
شکل-2 نمودارهای چاه پیمایی ورودی جهت خوشه بندی
در این مطالعه ابتدا روش MRGC برای تعیین رخساره ها انتخاب گردید. در این روش تعیین تعداد حداقل و حداکثر خوشه ها الزامی است. در این روش حداقل تعداد رخساره ها بر اساس تعداد کانی های حاصل از تفسیر لیتولوژی، پنج رخساره - کلسیت، دولومیت، ماسه، انیدریت و رس - و حداکثر تعداد آن براساس مطالعات میکروفاسیس صورت گرفته در مخزن آسماری میادین دیگر 14 رخساره انتخاب گردید. بر این اساس سه خوشه بندی با تعداد رخساره های 8، 11و 13 توسط نرم افزار پیشنهاد شد.
در مرحله اول رخساره های ایجاد شده توسط هرکدام از سه خوشه حاصل از نظر میزان کیفیت مخزنی مقایسه شدند. این بررسی نشان داد که خوشه بندی 8 رخساره ای بهترین خوشه بندی در میان سه گروه 8، 11و 13 خوشه ای می باشد. بنابراین در مرحله بعد فقط داده های مربوط به خوشه بندی 8 رخساره ای ارزیابی گردید. با مقایسه رخساره های ایجاد شده توسط هر خوشه مشخص گردید که رخساره های 2 ، 5 و 6 در خوشه بندی 8 رخساره ای به چندین ریز رخساره در خوشه بندیهای 11 و 13 رخساره ای تقسیم شده اند.
به عنوان مثال تقسیم بندی رخساره 2 به سه ریز رخساره بدلیل اشباع آب بالا و تخلخل بسیار کم که نشان دهنده عدم کیفیت مخزنی است چندان منطقی به نظر نمی رسد. همچنین تقسیم بندی رخساره های 5 و 6 در خوشه بندی 8 رخساره ای به چندین ریز رخساره - که از نظر سنگ شناسی تا حدی هموژن و از نظر کیفیت مخزنی خوب می باشد - مطلوب نیست و باعث تعدد غیر منطقی تعداد رخساره ها و نهایتا پیچیدگی مدل سازی رخساره ای می شود
