بخشی از مقاله
چکیده
تراوایی از مهمترین خصوصیات پتروفیزیکی مخزن است که جریان سیالات درون چاه را در مرحله تولید کنترل می کند. این پارامتر نقش کلیدي در ارزیابی تولید مخزن، عملکرد میادین نفتی، مدیریت و توسعه مخزن ایفا می کند تراوایی به طور معمول از آنالیز مغزه به دست می آید ولی این امر مستلزم زمان و هزینه فراوانی می باشد. در مخازن کربناته براي هر تخلخل مشخص در یک نوع سنگ، تراوایی میتواند در مقادیر مختلفی تغییر کند که این به علت هتروژنی بودن مخازن کربناته میباشد در این مطالعه ما براي طبقه بندي انواع سنگها نسبت به خواص جریانی بر پایه پارامترهاي زمین شناسی و پتروفیزیکی از رخساره هاي الکتریکی استفاده کرده تا زونهایی با تراوایی بالا را شناسایی کنیم تا بتوانیم مشکل هتروژنی و عوامل موثر دیاژنز را در تراوایی تشخیص دهیم.
بدین صورت که ابتدا با روش هنلق رخساره هاي الکتریکی بهینه را براي چاه شماره به دست اوردیم . براي این کار از لاگ لقش و لاگهاي انحراف سرعت - عخب - براي لینک کردن رخساره ها با تراوایی استفاده کردیم و نتایج را با ستون چینه شناسی حاصل از ارزیابی پتروفیزیکی قیاس کردیم و سپس با استفاده از روش ماشین بردار پشتیبان این رخساره ها را براي چاه شماره با دقت %86 بدست آوردیم که با اندازه گیري هاي حاصل از مغزه و ارزیابی هاي پتروفیزیکی تطابق بالایی را نشان میدهد.
کلمات کلیدي رخساره هاي الکتریکی، تراوایی، لقش، خوشهبندي چند تفکیکی بر پایه گراف - هنلق - , ماشین بردار پشتیبان - قبح -
مقدمه
رخساره لاگ عبارت است از مجموعهاي از پاسخ لاگ که مشخص کننده یک لایه یا چینه بوده و باعث تفکیک آن از لایه هاي دیگر می گردد بذم حجزئی ترین تغییرات در نمودارهاي چاه پیمائی بیانگر تغییر در خصوصیات سنگ شناسی محدوده اندازه گیري شده درون چاه است. این تغییرات در روند نمودار که در اثر تغییر در بافت رسوبی، بلوغ بافتی و ساختمان هاي رسوبی بوجود آمده میتواند در تعیین خواص سنگ از جمله لیتولوژي، تخلخل و تراوایی و ... مخزن کمک نماید.
مطالعه این خصوصیات اساس مطالعه رخساره رسوبی می باشد. آنالیز رخساره لاگ یکی از مهمترین مشخصات مخزن می باشد که براي مشخص کردن زون هاي تراوا و مدلسازي هتروژنی مخزن و فرایندهاي دیاژنزي و تحلیل حوضه رسوبی به کار می رود.که در این مطالعه، هدف تعیین زونهاي تراوا بر مبناي ارتباط بین منافذ میباشد. روش هاي معمول که براي تعیین تراوایی به کار برده می شود بدین صورت است که با استفاده از اندازه گیري هاي مغزه و یافتن ارتباط آنها بین لاگهاي رایج، توسط شبکه عصبی و یا مدلهاي آماري، تراوایی را در بقیه چاه ها که فاقد مغزه هستند پیش بینی میکنند.
مفهوم اکتروفاسیس از دیدگاه زمین شناسی گروه بندي کردن مجموعه اي از داده، بر مبناي شباهت مشخصات پتروفیزیکی می باشد که هر یک از این واحدهاي الکتروفاسیس قابل مقایسه با رخنمون ها یا اطلاعات مغزه می باشد.
خوشهبندي چند تفکیکی بر پایه گراف - هنلق -
الگوریتم خوشهبندي چند تفکیکی بر پایه گراف براي شناسایی خوشهها در مجموعهي دادهها، براي هر مشاهده اندیس همسایگی را محاسبه میکند. در ادامه، گروههاي طبیعی کوچکی از نقاط که دستههاي جذب نامیده میشوند، بر مبناي استفاده از اندیس همسایگی، به منظور تعیین جذب نزدیکترین همسایه براي هر نقطه تشکیل میشود. مستقل از تشکیل گروههاي طبیعی، تعداد بهینه خوشهها بر مبناي اندیس شاخص کرنل و دقت تعیین شده توسط کاربر محاسبه میشود.
در نهایت، بر مبناي دادههاي محاسبه شده از مراحل قبل، با ادغام دستههاي جذب خوشههاي نهایی تشگیل میشوند.به روش گروه بندی لاگ از طرف جامعه زمینشناسی مورد قرار گرفته است. ضعف پذیرش آن به واسطه مسئله بعد یا مقیاس است.
این باعث میشود یک رابطه غیر خطی قوی بین دادههای لاگ - هصهخ ؟پع - و لیتولوﮊی برقرار شود که تساوی گروه بندی دادههای لاگ و روابط رسوبگذاری را مشکل میکند. برای حل این مشکل از روش هنلق استفاده میکنند. در این مطالعه از روش هنلق جهت تعیین رخسارههاي پتروفیزیکی و تخمین تراوایی استفاده شده است، این روش قادر به پیشگویی نمودارهاي چاه پیمایی گم شده در فواصلی از چاه و نیز تخمین توزیع تخلخل و تراوایی در چاه و از همه مهمتر لیتوفاسیسها میباشد.
ماشین برداري پشتیبان
اخیرا از روش ماشین بردار پشتیبان براي تعیین رخساره هاي الکتریکی و مدل تراوایی استفاده می شودبخمبزم . ماشین برداري پشتیبان میتواند به خوبی در مسائل طبقهبندي دو کلاسه تا چند کلاسه استفاده گردد هدف از این گونه مسائل ایجاد یک معیار طبقهبندي است که براي نمونههاي نادیده به خوبی قابل استفاده باشد و در عین حال از قابلیت تعمیم خوبی برخوردار باشد. به عنوان مثال، در نظر گرفته میشود.
همانگونه که مشاهده میشود براي دادههاي صفحات جداساز خطی زیادي وجود دارد که قادر به جداسازي دادهها میباشند اما تنها یکی از آنها داراي حاشیه - فاصله بین صفحه جداساز و نزدیکترین نقاط - بیشینه خواهد بود. این طبقهبندي کننده خطی، ابر صفحه جداساز بهینه نامیده میشود که انتظار میرود بتواند مرز به دست آمده را به تمام محدودههاي ممکن تعمیم دهد.
