بخشی از مقاله
چکیده
ارزیابی، توسعه و مدیریت مخزن وابستگی بسیار زیادی به دانستن ویژگیهای مخزن دارد. تخلخل مخزن، از مشخصههای مهم و اساسی در ارزیابی خصوصیات پتروفیزیکی مخازن هیدروکربنی محسوب میشود. با توجه به کربناته بودن اکثر مخازن ایران و ناهمگنی بالای آنها، مطالعات این دسته از مخازن، از اهمیت بالاتری برخوردار است. تا به امروز صنعت نفت سعی کرده تخلخل را با تزریق گاز هلیم بر نمونههای مغزه - پلاگ - و بافت را با بررسی مقاطع نازک در زیر میکروسکوپ تعیین کند. استفاده از روشهای آزمایشگاهیمعمولاً زمانبر و هزینه بر بوده و در همه شرایط ممکن نمیباشد و در دنیای امروز صنعت نفت که با حجم وسیعی از مسائل دشوار سروکار داریم، نمیتواند پاسخگوی تمام نیازهای مهندسین و کارشناسان باشند.
در سالهای اخیر با پیشرفت سختافزاری و نرمافزاری کامپیوترها، استفاده از تکنیکهای هوش مصنوعی و آنالیز تصویر در صنعت نفت گسترش یافته است. بدین ترتیب با هدف کاهش هزینهها و زمان در مطالعات مخزنی، از تکنیک شبکه عصبی مصنوعی، منطق فازی و روش نروفازی برای محاسبه تخلخل مغزه استفاده شده است. برای شبکه عصبی همبستگی بین دادههای تخمینی و دادههای مغزه برای دو سری داده آموزش و تست به ترتیب برابر با 0/95 و 0/94 است. این مقادیر برای سیستم فازی 0/96 و 0/94 و برای سیستم فازی-عصبی0/96 و 0/99 میباشد. با توجه به نتایج حاصل در مورد میدان مورد مطالعه در این تحقیق، مدل نرو فازی دقیقتر از روش شبکه عصبی و فازی عمل کرده است و بنابراین مدل مناسبتری برای تخمین تخلخل به نظر میرسد.
-1 مقدمه
نفت و گاز یکی از منابع اصلی انرژی در جهان میباشد و کشور ایران یکی از کشورهای مستعد از لحاظ ذخایر نفت و گاز است. در نتیجه توسعه میادین نفتی و گازی در کشور از اهمیت خاصی برخوردار است. برآورد میزان ذخیره یک مخزن هیدروکربنی و ارزیابی زونهای تولید در یک مخزن، ارتباطی مستقیم با تخلخل دارد. امروزه علاوه بر مغزه، با استفاده از نگارهایی که از چاههای نفت تهیه میشود مانند نگار نوترون، نگار صوتی و نگار چگالی میتوان تخلخل سازند را محاسبه کرد. اما تخلخلی که از این نگارها به دست میآید تحت تاثیر عوامل مختلفی مانند وجود لایههای شیلی، ریزش دیواره چاه قرار دارد. بنابراین نمیتواند نشاندهنده تخلخل دقیق مغزه باشد. امروزه سامانههای هوش مصنوعی برای حل مسائل مبهم و پیچیده در زمینههای مختلف تحقیقاتی استفاده میشود. در این مطالعه از شبکههای عصبی مصنوعی برای به دست آوردن تخلخل مغزه استفاده شده است.
به مرور با رشد دانش شبکههای عصبی و منطق فازی و بهکارگیری آن در صنعت، صنعت نفت و گاز نیز از
این دانش بینصیب نماند و توانایی این دانش در پیشبینی و تخمین مشخصهها، بیش از پیش، ضرورت استفاده از شبکههای عصبی و منطق فازی را در حوزه اکتشاف نفت نمایان ساخت. از اواخر دهه 90 میلادی محققان کاربرد شبکههای عصبی را در پیشبینی مشخصههای مخزنی بررسی نمودند که فواید گستردهای از تاثیر آن در توسعه و حفاری میادین تا کاهش هزینهها در مقایسه با دیگر روشها و همچنین در دسترستر بودن آن باعث شده تا امروزه همچنان یکی از موضوعات موردعلاقه محققان درزمینه اکتشاف نفت و گاز باشد. بارونق گرفتن این روش در ایران نیز از اوایل دهه 80، مطالعات گستردهای در زمینه تخمین تخلخل و نفوذپذیری با استفاده از دانش شبکههای عصبی انجام پذیرفت که از آن جمله میتوان کار کدخدایی ایلخچی و همکارانش را نام برد
با توجه به نتایج حاصل در این مطالعات میتوان به قابلیت سامانههای هوشمند در زمینه تخمین پی برد. باید توجه داشت که با توجه به اینکه میادین نفتی در مناطق مختلف از زمینشناسی متفاوتی برخوردار است، طراحی سامانههای هوشمند برای هر میدان با میدان دیگر تفاوتهایی خواهد داشت، بنابراین برای هر میدان باید مطالعات جداگانهای را اجرا نمود
-2 تئوری و روش
-1-2 شبکه عصبی مصنوعی
شبکههای عصبی زیستی مجموعهای بسیار عظیم از پردازشگرهای موازی به نام نرون اند که به صورت هماهنگ برای حل مسئله عمل میکنند و توسط سیناپسها - ارتباط های الکترومغناطیسی - اطلاعات را منتقل میکنند. یک شبکه عصبی شامل اجزای سازنده لایهها و وزنها می باشد. رفتار شبکه نیز وابسته به ارتباط بین اعضا است. در حالت کلی در شبکههای عصبی سه نوع لایه نرونی وجود دارد: لایه ورودی، با دریافت اطلاعات خام به تغذیه شبکه میپردازد.لایه پنهان، عملکرد این لایهها به وسیله ورودیها و وزن ارتباط بین آنها و لایه-های پنهان تعیین میشود. وزنهای بین واحدهای ورودی و پنهان تعیین می کند که چه وقت یک واحد پنهان باید فعال شود و لایه خروجی، عملکرد واحد خروجی بسته به فعالیت واحد پنهان و وزن ارتباط بین واحد پنهان و خروجی میباشد.
شبکههای عصبی با توانایی قابل توجه خود در استنتاج نتایج از داده های پیچیده، می توانند در استخراج الگوها و شناسایی گرایشهای مختلفی که برای انسان ها و کامپیوتر شناسایی آنها بسیار دشوار است، استفاده شوند
تاکنون هیچ قاعده خاصی جهت تعیین تعداد لایههای پنهان و نرونهای موجود در این لایهها معرفی نشده است و حالت بهینه باید از طریق آزمون و خطا مشخص شود. توجه به این نکته نیز لازم است که عملکرد هر شبکه عصبی مصنوعی از لحاظ سرعت محاسباتی و توانایی به نوع و ساختار برنامه یا نرمافزار مورد استفاده بستگی دارد
-2-2 منطق فازی و سامانههای فازی
منطق فازی توسیعی از منطق بولی به شمار میرود. درحالیکه منطق کلاسیک - منطق ارسطویی - به یک متغیر، مقدار 1 برای صحیح بودن و مقدار 0 برای غلط بودن اختصاص میدهد. منطق فازی اجازه تخصیص مقداری در فاصله 0]،[1 به متغیر میدهد .[4] تئوری سامانههای فازی روشی را برای نشان دادن عدم قطعیت فراهم میکند. معمولا عدم اطمینان یا وابسته به طبیعت تصادفی پیشامدها و یا وابسته به عدم دقت و گنگ بودن اطلاعات مسئلهای است که میخواهد حل شود
منطق فازی اجازه بیان و پردازش روابط به شکل قوانین را به ما میدهد و قوانین فازی، متغیرهای زبانی را به فرم سامانههای فازی بیان میکنند. متغیر زبانی ورودی تخلخل بهوسیله اصطلاحات زبانی weak و good و متغیر زبانی ورودی حجم رس بهوسیله اصطلاحات زبانی low، medium و high برچسب زده شدهاند. این اصطلاحات زبانی بهوسیله توابع عضویت وابسته به آنها تعریف و با علامت نمایش داده میشوند. برخی اوقات اصطلاحهای زبانی واقعا فازی نیستند. آنها یا کاملا درست - μ =1 - یا کاملا غلط هستند . - μ =0 - در این موارد توابع عضویت بهصورت مستطیل درمیآیند.[6] عملگرهای منطق فازی توسیعی از عملگرهای منطق بولی هستند. این موضوع دلالت بر این دارد که عملگرهای منطق فازی در موارد خاصی که درجه عضویت آنها تنها صفر یا یک است، هم ارز عملگرهای بولی هستند
سه نوع مهم از سامانه های فازی شامل سامانههای فازی زبانی، سامانههای فازی سوگنو و سامانههای فازی تسوکاموتو میباشد. در این مقاله برای تخمین تخلخل از روش سوگنو استفاده شده است.
-3-2 آمادهسازی دادهها
در فرآیند انتخاب، ابتدا داده های نامناسب حذف گردیدند. برای این کار پس از رسم لاگهای مختلف در مقابل عمق، بازههایی که در آنها ریختگی وجود داشت، حذف شدند. نقاط ریزشی مربوط به عمقهایی میشوند که در آن اختلاف بین لاگهای کالیپر و اندازه مته بیش از 1/5 اینچ باشد. دادهها به سه دسته آموزشی، اعتبار و تست تقسیمبندی شدند. در این تقسیمبندی، قسمت اعظم دادهها برای آموزش 70 - درصد - ، قسمتی بهعنوان اعتبار 15 - درصد - و قسمتی بهعنوان تست 15 - درصد - تخصیص یافتند.
در این مطالعه، ابتدا دادهها با روشهای مختلف خوشهبندی و بعد از آن روابط شناسایی و تعیین میشوند. در آنالیز خوشهای برای تعیین میزان شباهت رفتاری تغییرپذیری متغیرها، از ضریب همبستگی استفاده میشود. این روش به نسبت روشهای دیگر - مانند روش فاصله - کارایی بهتری دارد. در مرحله انتخاب دادهها، با هر کدام از لاگهای معمول نمودار تقاطع را رسم کرده و لاگهایی که بهترین رابطه را با هر کدام از خروجیها دارند، مشخص میشوند. شکل نمودارهای همبستگی بین تخلخل مغزه با هر کدام از لاگها - زمان گذر موج، نوترون و چگالی - را نمایش میدهد.
معمولا بین عمق مغزه و نگار اختلاف وجود دارد، بنابراین لازم است برای ورود دادهها به شبکه، اطلاعات مربوط به هر نقطه عمقی از مغزه، به طور صحیحی در مقابل اطلاعات نگارهای چاه پیمایی قرار داده شوند. به این عمل تطابق عمق میگویند.
در این مطالعه، نگار تخلخل نوترون و همچنین تخلخل مغزه در مقابل عمق متناظر خود رسم گردیده، پیک-های همانند بر روی این نمودارها به هم متصل و اختلاف بین نگار و مغزه تعیین شد. سپس عمق مغزه ثابت نگه داشته و عمق نگار به اندازه اختلاف تعیین شده، تغییر داده شد تا به عمقی که ثابت است، برسد.
ارزیابی پتروفیزیکی که توسط لاگهای چاهپیمایی جهت تخمین پارامترهای اهداف مطالعاتی صورت می-گیرد، به دو روش عمده قطعی و احتمالی انجام میشود. از انجام تطابق عمق، همبستگی بین نگارها و تخلخل مغزه محاسبه میگردد. در مرحله بعد، باهرکدام از نگارها نمودار تقاطع را رسم کرده و نگارهایی را که بهترین رابطه را با هرکدام از خروجی دارند، مشخص میشوند. با توجه به نتایج همبستگیهای به دست آمده، همبستگی مثبت بالا بین تخلخل و نگارهای صوتی و نوترون و همبستگی منفی بالا بین تخلخل و نگار چگالی وجود دارد. نگارهای دیگر دارای همبستگی متوسطی با تخلخل می باشند.
