بخشی از مقاله
چکیده
شکستگیها نقش مهمی را در ذخیره مواد کربناته، حرکت سیال نفتیو پایداری چاه مخصوصاً در مخازن شکسته دارند. تا کنون روشها و ابزارهای گوناگونی برای شناسایی شکستگیها در سالهای اخیر ارایه شده است ولی هر کدام از این ابزارها و روشهای موجود مزایا و معایبی دارند و هنوز نیاز به توسعه روشهای موجود برای شناسایی شکستگیها که دارای دقت و جامعیت بیشتر باشند، ضروری است. در این مقاله یک روش هوشمند برای شناسایی شکستگیها و تفکیک نواحی شکسته و غیرشکسته در چاه-های نفت بصورت هوشمند با استفاده از دادههای چاهنمودارهای پتروفیزیکی ارایه میشود.
الگوریتم هوشمند پیشنهادی با استفاده از تبدیل موجک و کلاسهبند ماشین بردار پشتیبان به شناسایی هوشمند نواحی شکسته و غیرشکسته در چاههای نفت با استفاده از دادههای چاهنمودارهای پتروفیزیکی در چاههای یکی از میدانهای نفتی مخزن آسماری در جنوب غربی کشور پیادهسازی می-شود. برای تعیین دقت الگوریتم پیشنهادی، نتایج حاصل با چاهنمودارهای تصویری تفسیر شده بوسیله کارشناسان نفتی مورد ارزیابی و مقایسه قرار گرفته شده است. نتایج حاصل نشان داد که با وجود پیچیدگی دادههای پتروفیزیکی برای شناسایی نواحی شکسته و غیرشکسته، الگوریتم پیشنهادی هوشمند با دقت بالایی حدود % 76 در این کار موفق عمل میکند.
.1 مقدمه و مبانی نظری
اولین گام در فرآیند تولید نفت مرحله اکتشاف نفت است. این مرحله شامل مکانیابی اولیه مخازن نفتی، انجام عملیاتهای برداشت اطلاعات با روشهای مختلف و تفسیر و شناسایی پدیدههای زمینشناسی چاههای اکتشافی مخزن مورد بررسی است. یکی از پدیدههای مورد بررسی و مهم در چاههای اکتشافی، نواحی شکسته و غیرشکسته هستند. نواحی شکستگی، گسیختگی-هایی هستند که در اثر عوامل طبیعی ناشی از افزایش فشار بر روی سنگها، گرما و رطوبت میتواند رخ دهد. نواحی شکسته نقش بسیار مهمی ا ردر مخازن نفت برای حرکت سیال و پایداری چاه مخصوصاً در مخازن شکسته دارند.
سیال نفت از طریق نواحی شکسته میتواند در مخازن نفتی حرکت کرده و وجود شکستگیها سبب افزایش میزان حرکت سیال نفتی و مکان استخراج آن به سطح زمین در چاههای حفاری شده میشود.[1] روشها و ابزارهای متفاوتی برای شناسایی نواحی شکسته تاکنون ارایه شده است. در حال حاضر بیشتر از روشهای متکی بر انسان برای شناسایی این پدیده مورد مطالعه در چاههای نفت استفاده میشود. تفسیر و شناسایی پدیدهها در دادههای نفتی با روشهای مبتنی بر انسان کار بسیار پیچیده است. زیرا پدیدههای زمینشناسی پیچیدگی و الگوی متنوعی دارند و نیز نوفه دادههای برداشتی معمولاً زیاد است.
مطالعات و ابزارهایی در این زمینهها در حال حاضر استفاده میشود. ولی هر کدام از روشها و ابزارهای موجود دارای مزایا و معایبی هستند. بطور مثال اکثر کارهای انجام گرفته فاقد یک حجم وسیع از داده برای بررسی و آزمایش هستند و نیز مطالعاتی بصورت الگوریتم پیشنهادی ما برای مطالعه انجام نشده است. بنابراین ارایه یک الگوریتم که قابلیت تعمیم به سایر چاههای نفتی نیز داشته باشد ضروری است. در این مطالعه بر روی چاههای نفت سازند آسماری در چاههای نفتی جنوب غربی به عنوان یکی از مهمترین سازندهای نفتی ایران مطالعه انجام شده است. بنابراین در صورت دستیابی به نتایج قابل قبول میتوان مدعی شد که روش پیشنهادی میتواند روشی بهینه برای چاههای موجود در این منطقه باشد.
با ورود دستگاههای شیب سنج و تصویربردار چاه از سال 1980، فرآیند شناسایی ویژگیهای شکستگی و خواص آن مانند موقعیت، شیب، چگالی و میزان بازشدگی شکستگی مورد بررسی و مطالعه قرار گرفته است. با این وجود بسیاری از چاههای اکتشافی و مورد مطالعه نفت، فاقد اطلاعات تصویری از چاه هستند و با توجه به قدیمی بودن این چاههای اکتشافی و وجود هزینههای بسیار زیاد برای برداشت مجدد اطلاعات از آنها باید بتوان با استفاده از دادههای قبلی موجود از این چاهها به تفسیر æ مطالعه پدیدههای زمینشناسی آنها پرداخت.[2] یکی از انواع دادههای موجود از این چاهها، چاهنمودارهای پتروفیزیکی برداشتی از دیواره چاهها هستند.
این نوع از دادهها دارای پیچیدگی زیادی برای تفسیر کارشناس انسانی و یافتن رابطه بین این دادهها و پدیده زمینشناسی شکستگی هستند.[3] بنابراین استفاده از روشهای هوشمند با قابلیت انجام محاسبات پیچیده و ارایه الگوریتمهای جامع در این زمینه با توجه به پیچیدگی و حجم زیاد دادهها و نیز ضرورت و اهمیت شناسایی نواحی شکسته æ غیرشکسته در دیواره چاه بخاطر نقش آنها در میزان حرکت سیال نفت برای استخراج و نیز مطالعات بعدی مهندسین نفت از اهمیت ویژهای در حوزه صنعت نفت برخوردار است.[4]
بررسیهای انجام شده نشان میدهد که در زمینه شناسایی شکستگیها مطالعاتی انجام گرفته است. هسو با روشی نو برای شناسایی شکستگی بوسیله ابزارهای صوتی آرایهای به مطالعه شیب و رسانایی هیدرولیکی سیال نفت در شکستگیها پرداخت.[5] بهرنس و همکاران با مشارکت نقشههای توزیع سایزمیک برای مدلسازی سه بعدی مخازن سعی کردند تا با داده-های سایزمیک، شکستگیها را آشکار کنند.[6] دایجویی و همکاران بوسیله کاربرد آنالیز موجک برای آشکارسازی گسلها برای بازیابی چاه مطالعاتی را انجام داد .
[7] سونگ و همکاران با استفاده از دادههای مغزه و چاهنمودارهای قدیمی سعی نمودند که توانایی تفکیک شکستگیهای طبیعی و شکستگیهای حفاری را در چاهنمودارهای تصویری افزایش دهند.[8] سورجاتمدجا و همکاران با آنالیز امواج فشار تولید و منعکس شده برای بررسی رفتار شکستگیها از یک روش تجزیهپذیری فرکانسی برای تحلیل دادههای سطح پایینی چاه برای شناسایی شکستگیهای موجود پرداخت.[9] دوتا و همکاران با استفاده از روشی نو برای شناسایی شکستگیها با استفاده از دادههای سایزمیک چاه، نواحی شکسته را با کمک امواج شناسایی کردند.[4] محبی و همکاران با استفاده از چاهنمودارهای قدیمی برای شناسایی شکستگی در یکی از میادین ایران، تبدیل موجک را بر روی تعدادی چاهنمودار برای شناسایی شکستگی اعمال کرد.
[10] ازکایا و همکاران با استفاده از درخت تصمیم-گیری احتمالاتی برای شناسایی شکستگی از دادههای دینامیک در میادین نفتی به آشکارسازی شکستگیهای باز در نزدیکی گسلها با کمک تلفات گل به عنوان بهترین پارامتر برای این نوع از شکستگیها پرداختند.[11] یان و همکاران با استفاده از شناسایی شکستگیهای پتروفیزیکی برای مطالعات فیزیکی سنگ، روشی را برای مدلسازی شکستگیها ارایه کردند. آنها از چاهنمودارهای پتروفیزیکی برای ساخت چاهنمودارهای تصویری مصنوعی دیواره چاه استفاده کردند.
روش پشنهادی آنها در یک چاه حفاری شده در یک مخزن کربناته اشباع شده با گاز آزمایش شد. این مطالعه نشان داد که امکان شناسایی محل شکستگی و برخی خواص آن وجود دارد.[12] تخمچی و همکاران روشی را برای تخمین چگالی شکستگیها با استفاده از چاهنمودارهای پتروفیزیکی بوسیله محاسبه انرژی چاهنمودارهای پتروفیزیکی و رگرسیون خطی و غیرخطی ارایه نمودند. نتایج آنها نشان داد که بین انرژی چاهنمودارها و چگالی شکستگیها یک رابطه همبستگی وجود دارد.[2] ساعدی و همکاران بوسیله چاهنمودارهای تصویری، به مطالعه یکی از چاههای نفت سازند آسماری در جنوب غربی ایران برای شناسایی شکستگی-ها با روشهای زمینشناسی نفت پرداختند.
چاهنمودارهای تصویری الکتریکی و دادههای مغزه با هم برای شناسایی شکستگی و ویژگیهای آن در چاه مورد مطالعه استفاده شد.[13] توکلی و همکاران به مطالعه شکستگیها و تخلخل در چاههای نفتی یکی از میادین سازند آسماری به عنوان پارامترهای مهم و تاثیرگذار در تعیین بهترین چاه نفتی جهت انجام عملیات تزریق بوسیله روشهای انسانی با استفاده از مطالعات چینهشناسی پرداختند .[14] فیلیپس و همکاران با استفاده از اطلاعات چاهنمودارها، چگالی و جهت شکستگیها را برای مدلسازی چاهها بهبود دادند. آنها عامل عدم تطبیق دادههای چاهنمودارها و عمق واقعی چاه را در مدلسازی خود در نظر گرفتند.[15] تاهمین و همکاران به بررسی چالش شناسایی شکستگی در مخازن جدید شکسته پرداختند.
آنها به توسعه نرمافزاری جهت تعیین ویژگیهای مکانیکی سنگهای مخازن شکسته پرداختند. آنها با استفاده از اطلاعات حفاری برای تعیین عمق بوسیله میزان مقاومت سنگهای دیواره چاه استفاده کردند. نتایج آنها نشان داد که شناسایی شکستگیها و نواحی شکسته میتواند منجر به مدلسازی بهتر رفتار مخازن نفتی شود.[16] بررسی مطالعات انجام شده فوق نشان میدهد که تاکنون روشهایی غیرهوشمند و هوشمند کمی در خصوص تشخیص نواحی شکسته و غیر شکسته توسط پژوهشگرانی صورت گرفته است.
اما روشهای فوق اکثراً بر روی دادههای غیر چاهنمودارهای پتروفیزیکی بوده است و مطالعات اندکی هم که از چاهنمودارهای پترویزیکی استفاده کردهاند هوشمند نبودهاند و نیز الگوریتمی جامع ارایه نکردهاند. بنابراین در این مقاله یک روش هوشمند جامع با استفاده از تبدیل موجک و کلاسهبند ماشینبردار پشتیبان برای تفکیک نواحی شکسته و غیرشکسته در چاههای نفت بوسیله چاهنمودارهای پتروفیزیکی با دقت بسیار خوبی ارایه میشود. در ادامه در بخش روش و مراحل تحقیق مراحل کلی الگوریتم و تئوریهای آن بیان خواهد شد، سپس در بخش ارائه و تحلیل نتایج، نتایج حاصل از الگوریتم پیشنهادی بصورت گام به گام بیان و مورد بررسی قرار میگیرد و در آخر در بخش جمعبندی، نتیجهگیری مقاله بیان میشود.
.2 روش و مراحل تحقیق
در این تحقیق اطلاعات تفسیر شده هفت چاه از یکی از میادین نفتی جنوب غرب ایران در سازند آسماری برای مطالعه انتخاب شده است. سازند آسماری جوانترین و مهمترین سازند در ایران است و این سازند در جنوب غربی ایران در حوزه زاگرس قرار دارد.[16] سازند آسماری یکی از مهمترین مخازن نفتی ایران است که بخش زیادی از میدانهای نفتی ایران را در فروافتادگی-های لرستان، دزفول و فارس را شامل میشود.[17] هر چاه دارای یازده نوع داده پتروفیزیکی - چاهنمودار پتروفیزیکی - CALI CGR, DT, NPHI , PEF, RHOB, SGR, SWE, CALCIT SHALE, UWAT است. دادههای پتروفیزیکی بوسیله دستگاههای نمودارگیری مختلف، اطلاعات فیزیکی سنگهای دیواره چاه را ثبت و برداشت میکنند. این چاهنمودارها شامل نمودارهایی از جمله صوتی، نوترونی، گاما و ... است.[18]
مراحل کلی الگوریتم هوشمند مراحل کار بطور خلاصه بصورت زیر خواهد بود:
· دادههای پتروفیزیکی خام اصلی بوسیله تبدیل موجک بهینه به باندهای فرکانسی مختلف تجزیه میشود.
· الگوریتمهای طبقهبندی ماشین بردار پشتیبان بر روی دادههای اصلی و چهار باند فرکانسی تجزیه شده با تبدیل موجک پیادهسازی میشوند. چاه شماره 1 برای آموزش و سایر چاههای برای آزمایش طبقهبند در انواع مختلف دادههای پتروفیزیکی استفاده میشود
