مقاله تعیین رخساره های رسوبی مخزنی با استفاده از سنتز نگارهای مجازی NMR

بخشی از مقاله

چکیده

میانگین لگاریتمی زمان آسایش عرضی جقعل1ض و تخلخل کل ابزار لقه جلقه1ض، پارامترهاي اصلی نگار رزونانس مغناطیس هسته جلقشض اند که اطلاعات بسیار مفیدي براي ارزیابی و توصیف مخزن را در دسترس ما قرار می دهند. ویژگی هاي مخزنی از جمله تخلخل، تراوایی، حجم سیال آزاد، حجم سیال محبوس و آب محبوس در رس به واسطه تفسیر این دو پارامتر، محاسبه شدنی است. در این مقاله، از رویکردي هوشمند به منظور تخمین پارامترهاي نگار لقش و رخساره هاي رسوبی مرتبط با آن ها، با استفاده از داده هاي نگارهاي معمولی بهره خواهیم برد. رخساره هاي رسوبی نگار لقش را، دسته هایی از پارامترهاي نگار لقش تعریف می کنیم که نمایانگر کیفیت مخزنی هستند.

براي رسیدن به این هدف، نگارهاي لقش و داده هاي پتروفیزیکی براي دو سازند مختلف که در یک چاه از میدان نفتی اهواز قرار دارند، مهیا است. داده هاي سازند ایلام براي ساخت مدل هاي هوشمند و داده هاي سازند آسماري از همان چاه براي ارزیابی قابلیت اطمینان مدل هاي ساخته شده مورد استفاده قرار گرفته اند. نتایج، عملکرد بهتر روش شبکه عصبی در مقایسه با الگوي شبکه عصبی- فازي را نشان می دهد.

سپس نگارهاي قعل1 و لقه1 براي چهار چاه از میدان نفتی اهواز که نگار حقیقی لقش ندارند، با استفاده از یک تابع ریاضی سنتز شده و نگارهاي مجازي رزونانس مغناطیس هسته جلقشبض نام گرفته اند. در نهایت، نگارهاي لقشب در مجموعه هایی از رخساره هاي رسوبی مخزنی با استفاده از رویکرد آنالیز خوشه اي رده بندي شده اند. همبستگی میان رخساره هاي رسوبی لقشب و کیفیت مخزنی بر پایه ي تخلخل و تراوایی، موفقیت آمیز بود و به ما کمک کرد تا کیفیت مخزنی را با روشی سریع تر، مقرون به صرفه تر و دقیق تر ارزیابی کنیم.

مقدمه

پیشرفت هاي مهمی در زمینه ي اندازه گیري ها و محاسبات مربوط به نگار لقش صورت پذیرفته است تا بتوان سیال هاي مختلف مخزن مانند نفت، آب آزاد از آب محبوس، و یا نفت از گاز، در لایه هاي هیدروکربور دار را متمایز کرد. به دلیل هزینه هاي بالاي نمودارگیري لقش، مولاًمع چاه هاي کمی از هر میدان این نگار را در لیست نگارهاي رانده شده دارند. بنابراین نیاز به ساختن مجازي این نگار براي دیگر چاه هاي میدان که این نگار را به صورت حقیقی ندارند، ضروري به نظر می رسد تا بتوان میان رخساره هاي رسوبی به دست آمده از نگارهاي مجازي لقش و کیفیت مخزنی همبستگی ایجاد نمود.

سه پارامتر مهم مخزنی شامل تخلخل آزاد سیال، تراوایی و حجم سیال هاي غیرآزاد با استفاده از تجزیه و تحلیل نگارهاي لقش قابل محاسبه است. ابزار لقه قابلیت اندازه گیري ویژگی هاي مخزنی در محل را دارد. در استفاده از مدل هاي هوشمند، مدل هاي ریاضی ساده ممکن است دقت لازم را نداشته باشند، زیرا چندین فرض در نظر گرفته می شود تا آن مدل را ساده تر کند و مسئله حل گردد. از طرف دیگر، مدل هاي پیچیده نیز ممکن است دقت لازم را نداشته باشند، اگر معادله هاي اضافی شامل تخمین توصیفی زیاد یا کم از آن پدیده را در بر داشته باشد.

در بسیاري از موارد، این مدل ها به پارامترهایی نیاز دارند که از نظر فیزیکی قابل اندازه گیري نیستند. شبکه هاي عصبی ژ4ب و منطق فازي ژ14ب راه حل سومی را پیشنهاد می دهند که پتانسیل بنا نهادن مدل از داده هاي غیرخطی، پیچیده و چند بعدي را داشته باشد ژ11ب. اگرچه این دو روش، روش هاي جدیدي نیستند اما هنوز به عنوان تخمینگرهایی قوي در صنعت نفت مورد استفاده اند. زیرا در بسیاري از موارد، استفاده از دو یا چند روش و مقایسه آن ها با یکدیگر ضروري و مفید است تا بتوان بهترین روش براي تخمین پارامترهاي مخزنی در هر مطالعه موردي را تشخیص داد.

مطالعه حاضر بر روي سازندهاي ایلام و آسماري در میدان نفتی اهواز صورت گرفته است. در این میدان، تنها یک چاه داراي نگار لقش می باشد. نیمی از داده هاي این چاه براي آموزش مدل ها و نیم دیگر آن براي تست مدل ها در نظر گرفته شده اند. پس از آن که روش بهتر، تشخیص داده شد، براي چهار چاه از سازند ایلام این میدان نیز نگار لقش ساخته شد. این کار با استفاده از داده هاي نگارهاي معمولی مانند فوتوالکتریک، تخلخل نوترون، زمان سیر صوت، چگالی و تخلخل کل صورت پذیرفته است.

فمیدان نفتی اهواز در استان خوزستان و در باختر فروافتادگی دزفول قرار دارد. این میدان تاقدیسی به طول 67 و عرض 4 تا 6 کیلومتر مربع را شامل می شود که از شمال با میدان رامین، از خاور با میدان مارون، از جنوب با میدان شادگان و منصوري و از باختر با میدان آب تیمور و سوسنگرد مجاور است. این میدان داراي راستاي شمال باختري – جنوب خاوري به موازات رشته کوه زاگرس می باشد و در افق آسماري به صورت ساختار زین اسبی در می آید. از آنجا که ذخیره نفتی این میدان، بیش از 10 میلیلارد بشکه برآورد شده است، آن را باید یک میدان ابربزرگ و به گمان بسیار، بزرگ ترین میدان نفتی کشف شده در ایران به حساب آورد.

تمرکز مطالعاتی که تا به حال در این زمینه انجام شده، بر روي تخمین پارامترهاي تخلخل، تراوایی و حجم سیال آزاد بوده که از تفسیر نگار لقش به دست می آید. در صورتی که هدف مطالعه حاضر تخمین پارامترهایی است که به طور مستقیم از دستگاه لقش به دست می آید. به علاوه مطالعات محدودي بر روي نگار لقش انجام شده است. در مطالعات پیشین، تخمین پارامترهاي نگار لقش با استفاده از یک روش انجام پذیرفته است، در صورتی که در این مطالعه، از دو روش براي مقایسه عملکرد آن ها در تخمین این پارامترها استفاده شده است. به علاوه، در این مطالعه از رویکردي نوین براي تعیین رخساره هاي رسوبی مخزنی با استفاده از این نگارهاي مجازي کمک گرفته شده است که این پژوهش را از سایر پژوهش هاي پیشین متمایز می سازد. اهداف مطالعه حاضر به صورت دقیق، شامل موارد زیر است:

- 1 تبدیل نگارهاي معمولی به پارامترهاي نگار لقش که شامل قعل1 و لقه1 هستند.

- 2 سنتز نگارهاي لقش مجازي براي چاه هایی که توسط ابزار لقه نمودارگیري نشده اند. ف

- 3 رده بندي داده هاي نگار لقش به رخساره هاي رسوبی لقش با استفاده از رویکرد آنالیز خوشه اي. ف - 4 ایجاد همبستگی میان رخساره هاي رسوبی لقشب و کیفیت مخزنی بر پایه ي داده هاي تخلخل و تراوایی.

-2 تئوري و شناسایی روش ها

1-2 آماده سازي داده ها

پیش از ساخت هر مدل هوشمند، لازم است که برخی از فرآیندها را بر روي داده هاي موجود انجام داد تا بهترین ماتریس از ورودي ها براي ساخت مدل هاي شبکه عصبی و عصبی- فازي حاصل شود. نخستین مرحله، کنترل کیفیت است. به این معنی که داده هاي طکطئصأپ باید حذف شوند. این داده ها شامل مقادیر منفی برداشت شده جکأئهه ئئأشض و داده هایی است که در شرایطی که چاه داراي ریزش بوده جکئپلا 2هBض، برداشت شده است.

داده هاي ئئأش همیشه منفی هستند و این مقادیر منفی ثبت شده صحیح نیستند. یکی از دلایل اصلی که باعث پدید آمدن چنین داده هایی می شود، انتخاب روش نامناسب و کم دقت براي کالیبراسیون دستگاه نمودارگیري است. چنان که سرعت نمودارگیري و یک تیم با تجربه نمودارگیري نیز در این امر دخیل هستند. داده هاي کئپلا 2هB یا صأپ لاکهح عمق هایی هستند که در آن ها قطر چاه یک و نیم برابر قطر مته و یا حتی بیشتر از آن باشد.

مرحله دوم حذف داده هاي خارج از روند است. یکی از مهم ترین مفاهیم در استفاده از مدل هاي هوشمند، حذف داده هاي خارج از روند است. به این منظور، ابتدا داده هاي نگارهاي معمولی در مقابل پارامترهاي قعل1 و لقه1 را رسم می کنیم. براي انجام این عمل مهم، ابتدا باید داده ها را نرمال سازي کنیم. به این معنی که محدوده ي داده ها را بین صفر و یک ببریم تا بدون واحد شوند. این فرآیند مهم به ما کمک می کند تا اگر ارتباطی بین داده ها وجود دارد، نمایان گردد. هر نمودار داراي روندي است که می تواند مستقیم و یا معکوس باشد - به صورت خطی یا غیرخطی - . اما برخی از مقادیر وجود دارند که از روند داده ها پیروي نمی کنند که به آن ها خارج از روند گفته می شود و باید آن ها را حذف کنیم.

اگر این فرآیندهاي تمیزسازي داده ها صورت نپذیرد، با خطاهایی در وزن هاي تعیین شده در شبکه مواجه خواهیم شد که در نتیجه مدل هاي شبکه عصبی و عصبی- فازي نویزي را به ما خواهند داد. در مطالعه حاضر، مدل هاي هوشمند شبکه عصبی و عصبی- فازي به کار گرفته شده اند تا پارامترهاي قعل1 و لقه1 را از داده هاي نگارهاي معمولی سنتز کنند. هر مدل داراي خطاست و تخمین هاي آنکاملاً دقیق نیستند.