بخشی از مقاله

چکیده - Abstract -

تعیین انواع رخساره های الکتریکی با استفاده از الگوریتم های مختلف خوشه سازی و استفاده از آنها در مدل سازی رخساره ای یکی از مهمترین کارهای ارزیابی مخزن می باشد. در این مطالعه سعی گردید مناسب ترین خوشه بندی برای رخساره های الکتریکی انتخاب شده و 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 رخساره های الکتریکی موجود در مخزن مورد مطالعه، با دو روش خوشه سازی MRGC و SOM در نرم افزار ژئولاگ از هم تفکیک شدند. در نهایت با استفاده از روش MRGC، تعداد 4 رخساره الکتریکی که بیشترین تطابق را با مشخصات زمین شناسی و کیفیت مخزنی داشتند انتخاب گردید. رخساره های حاصل جهت استفاده در مدل سازی وارد نرم افزار پترل گردید. براساس این مطالعه، خوشه سازی بر پایه MRGC - در مقایسه با روش - SOM بدلیل توان تفکیک بالای ماسه سنگ می تواند به عنوان یک ابزار قابل اعتماد جهت پیش بینی رخساره های الکتریکی، در مخازن سیلیسی کلاستیک به کار گرفته شود.

.1 مقدمه و مبانی نظری - Introduction -

تعیین انواع رخساره های الکتریکی با استفاده از الگوریتم های مختلف خوشه سازی یکی از مهمترین کارهای ارزیابی مخزن در میادین نفتی می باشد. رخساره های الکتریکی روشی برای دسته بندی داده های چاه نگارهای پتروفیزیکی است که می تواند نشان دهنده تغییر ویژگی های زمین شناسی یا مخزنی باشد .[1] تعریف رخساره لاگ به معنی امروزی آن اولین بار به وسیله سرا ارائه گردید.[2] رخساره لاگ در این تعریف عبارت است از مجموعهای از پاسخ های لاگ که مشخص کننده یک لایه - bed - ویا به عبارت بهتر چینه - strata - بوده و باعث تشخیص آن از لایههای دیگر می گردد.

در سال 1982 سرا و ابوت واژه رخساره الکتریکیرامجدداً به این صورت تعریف کردند: "مجموعه پاسخ نمودارهای پتروفیزیکی که علاوه بر تعیین مشخصه رسوبات، اجازه تفکیک آن ها از یکدیگر را می دهد".[3] بطور کلی رخساره های الکتریکی یک روش قطعی یا تحلیلی برای دسته بندی نمودارهای پتروفیزیکی هستند که می توانند نشان دهنده تغییرات ویژگیهای زمین شناسی یا مخزنی باشند. رخساره های الکتریکی بر مبنای خوشه بندی داده ها تعریف می شوند. 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 پارامترها برای تعیین سنگ شناسی، نمودارهایی از قبیل PEF، RHOB، GR، PHIE و NPHI می باشند که با استفاده از آنها می توان خوشهبندی مناسب جهت تفکیک گونه های سنگی از نظر مخزنی انجام داد. در صورت ارایه رخساره های الکتریکی منطبق با پارامترهای زمین شناسی و مخزنی با الگوریتم مناسب، امکان توزیع بهتر خواص مخزنی در مدلسازی استاتیک مخزن فراهم می شود . در این مطالعه سعی گردید مناسب ترین خوشه بندی برای رخساره های الکتریکی انتخاب شده و گامی در جهت شناخت هر چه بهتر مخزن و کاهش عدم قطعیت در مطالعات رخساره ای و پارامترهای مخزنی آن برداشته شود. در مطالعه این میدان خوشه سازی با استفاده از دو الگوریتم SOM, MRGC انجام شد و نهایتا رخساره های حاصل جهت استفاده در مدل سازی وارد نرم افزار پترل گریدد.

روش خوشه سازی چند تفکیکی بر پایه گراف - Multi Resolution Graph Based Clustering -

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 .

[4] این روش می تواند بهینه ترین دسته ها را بین حدود پایینی و بالایی از قبل تعیین شده ارایه دهد. در واقع این روش تلفیقی از هوش مصنوعی و روش خوشه بندی سلسله مراتبی است. در این روش دو اندیس اضافه شده است که نقاط قوت روشMRGC نسبت به سایر روشهای سلسله مراتبی می باشد که شامل شاخص - Kernel Representative Index - KRI و - Neighboring Index - NI می باشد. NI  پارامتر شاخص همجواری و KRI پارامتر شاخص کرنل است.[4] در رسمهای متقاطع، مخصوصا اگر در نمودارهای متقاطع نوترون-سونیک دو نقطه نزدیک به هم وجود داشته باشند و هیچ گونه شباهتی بین آنها وجود نداشته باشد این روش می تواند این دو نقطه را از یکدیگر تفکیک کند .[1]

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. 

نگاشت های خودسازمانده با شبکه های عصبی مصنوعی دیگر از این جهت تفاوت دارد، که از یک تابع همسایگی برای حفظ کردن ویژگی فضای ورودی استفاده می کند. این ویژگی سبب می شود که این نگاشتها، برای دادن شهود از یک مجموعه ی داده ها با بعد زیاد مناسب باشند. 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 .[2]

.2 روش و مراحل تحقیق - Materials and Methods -

در این مطالعه از نرم افزارهای ژئولاگ و پترل استفاده گردید. نخست با استفاده از نرم افزار 3DUDGLJP *HRORJ 6.7.1، تفسیر پتروفیزیکی انجام گردید و سپس رخساره های الکتریکی موجود در مخزن مورد مطالعه با دو روش خوشه سازی MRGC و SOM از هم تفکیک شدند. رخساره های حاصل در نهایت جهت استفاده در مدل سازی رخساره ای وارد نرم افزار پترل گردید.

.3 ارائه و تحلیل نتایج - Results and discussion -

میدان مورد مطالعه در این مقاله یکی از میادین نفتی در جنوب غربی ایران است. بخش های تولیدی در این میدان از بخش ماسه سنگی سازند مورد مطالعه است. با توجه به وجود لایه نفتی در بخش ماسه سنگی مخزن و تطابق بالای ستون هیدروکربنی با ماسه سنگی مهمترین اولویت در خوشه سازی، تفکیک ماسه سنگ در نظر گرفته شد - اشکال- 1و. - 2 برای تعیین رخساره های الکتریکی نخست در قسمت FACIMAGE نرم افزار ژئولاگ از میان لاگهای پتروفیزیکی آن دسته از لاگهایی که بیشترین ارتباط را با هدف مورد نظر ما داشتند که شامل: لاگ اشعه گاما CGR، لاگ دانسیته RHOB، لاگ نوترون NPHI، لاگ تخلخل و درصد حجمی ماسه سنگ بودند انتخاب شد و در مرحله بعد این داده ها آموزش داده شدند.

سپس با استفاده از روش خوشه بندی به روشMRGC و SOM خوشه بندیهای با تعداد مختلف بصورت خودکار توسط نرم افزار مشخص گریدد. بعبارت دیگر در این روش هیچگونه دخالتی در نحوه خوشه بندی توسط ناظر امکان پذیر نبوده بلکه خود نرم افزار تعدادی خوشه معرفی می کند و ناظر تنها می تواند از بین خوشه های معرفی شده، خوشه هایی که بهترین تفکیک را در رخسارها انجام داده است را برگزیند. در میدان مورد مطالعه با توجه به پارامترهای مخزنی و لیتولوژی سازند مخزنی، حدود تفکیک پذیری به ترتیب 3 و 5 در نظر گرفته شد تا بیشترین تطابق با رخساره ای زمین شناسی ایجاد گردد. پس از مقایسه تعداد رخساره های سنگ شناسی در مخزن و اطمینان از تاثیر سنگ شناسی در کنترل کیفیت مخزنی تعداد 4 رخساره بعنوان تعداد بهینه انتخاب گردید.

بنابراین رخساره های زاید بر این تعداد باهم ترکیب گشته و نهایتاً 4 رخساره در هر دو روش ایجاد گردید . نمایی از این مدل با پارامترهای ورودی در شکل 3- و مدل رخساره های الکتریکی اولیه به همراه هیستوگرامهای توزیع داده ها با دو روش SOM و MRGC در شکل-4 نشان داده شده است. رخساره های ایجاد شده توسط روش SOM بدلیل عدم تفکیک ماسه سنگ کنار گذاشته شد و ادامه کار صرفا با استفاده از روش MRGC ادامه پیدا کرد - شکل-. - 5

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