نشریه علوم زمین خوارزمی

نشریه علوم زمین خوارزمی

تلفیق روش‌های تخمین مقادیر تراوایی با استفاده از زمین‌آمار و شبکه عصبی مصنوعی؛ مطالعه موردی یکی از میدان‌های نفتی خلیج‌فارس

نویسندگان
مهران رحیمی
محمد علی ریاحی
موسسه ژئوفیزیک دانشگاه تهران
چکیده
تراوایی یکی از پارامترهای مهم در مطالعات پتروفیزیکی مخزن است و ارزیابی این پارامتر می­تواند به عنوان یک ابزار کلیدی در توسعه میدان­های نفتی استفاده شود. هدف این مطالعه تخمین و مدل­سازی سه‌بعدی تراوایی مخزنی سازند سورمه بالایی در یکی از میدان­های نفتی خلیج­فارس است. سازند سورمه با سن ژوراسیک به عنوان یکی از مهم­ترین مخازن نفت و گاز در حوضه خلیج­فارس محسوب می­شود. در این مطالعه، در فرآیند ارزیابی تراوایی از داده­های لرزه­ای سه‌بعدی پس از برانبارش و نگارهای تراوایی استفاده شده است. مدل­ ساختمانی مخزن با استفاده از تفسیر مقاطع لرزه­ای و نگارهای چاه در بخش مخزنی تهیه شده است. این مدل شامل تفسیر سطوح گسل، شبکه ژئوسلول و افق­­های مخزن می­باشد. شبکه ژئوسلول مورد استفاده در این مطالعه از ستونک و ژئوسلول­هایی با ابعاد 50 در 50 متر در راستای X و Y مورد استفاده قرار گرفت. ضخامت لایه­های ژئوسلولی هر زون مخزن را متناسب با آن زون در بخش مخزنی طراحی شده است. تخمین مقادیر تراوایی با استفاده از شبکه عصبی مصنوعی با الگوریتم پس انتشار انجام شده است. نتایج حاصل از شبکه عصبی مصنوعی در چاه­های مخزن مورد مطالعه تعمیم داده شد. مقدار ضرایب همبستگی حاصل از مقادیر تخمین تراوایی با داده های مغزه حفاری برابر با 88 درصد است. مقایسه نتایج زمین­آمار با مقادیر تراوایی نشان می­دهد که روش­های ارائه شده می­توانند نتایج قابل قبولی را برای مدل­سازی تراوایی مخزن ارائه دهند.
کلیدواژه‌ها
زمین‌آمار
شبکه عصبی مصنوعی
الگوریتم پس انتشار
سازند سورمه
شبکه ژئوسلولی

عنوان مقاله English

Integration of permeability estimation methods using geostatistics and artificial neural network; A case study one of oil fields in the Persian Gulf

نویسندگان English

Mehran Rahimi
Mohammad Ali Riahi
Institute of Geophysics
چکیده English

Permeability is one of the important parameters in reservoir petrophysical studies, and evaluation of this parameter can be used as a key tool in the oil fields development. This study aim is permeability estimation and modeling of the Upper Surmeh Formation in one of the oil fields in the Persian Gulf. The Surmeh Formation with Jurassic age is considered as one of the most important oil and gas reservoirs in the Persian Gulf basin. In this study, we have used petrophysical well logs and 3D post-stack seismic data in the permeability evaluation process. The structural reservoir model has been prepared using the interpretation of seismic sections and well logs in the reservoir section. This model includes the interpretation of fault surfaces, geocell network and reservoir horizons. The geocell network used in this study used columns and geocells with dimensions of 50 * 50 meters in the X and Y directions. The thickness of the geocellular layers of each reservoir zone is designed to fit that zone in the reservoir section. The values permeability estimation was performed using the artificial neural network with a back-propagation algorithm. The results obtained from the artificial neural network were generalized in the studied reservoir well logs. The correlation coefficients value obtained from permeability estimation values with drilling core data is equal to 88%. Comparison of geostatistics results with permeability value shows that the proposed methods can provide acceptable results for reservoir permeability modeling.

کلیدواژه‌ها English

Geostatistic
Artificial neural network
Back Propagation algorithm
Surmeh Formation
Geocellar network
[1] Rahimi, M., Riahi, M.A. Static reservoir modeling using geostatistics method: a case study of the Sarvak Formation in an offshore oilfield, 2020, Carbonates Evaporites, 35, 62. https: /doi.org/10.1007/s13146020005981.
[2] Singha DK, Chatterjee R (2014) Detection of overpressure zones and a statistical model for pore pressure estimation from well logs in the Krishna–Godavari basin, India. Geochem Geophys Geosyst15(4):1009–1020.
[3] Ruth D, Lindsay C and Allen M 2013 Combining electrical measurements and mercury porosimetry to predict permeability Petrophysics 54 531–7.

[4] Al-Bulushi, N., King, P., Blunt, M. and Kraaijveld, M., 2012, Artificial neural networks workflow and its application in the petroleum industry. Neural Computing and Applications, 21, (3): 409-421.

[5] Aminzadeh, F., Barhen, J., Glover, C.W., Toomarian, N.B., 2000. Reservoir parameter estimation using a hybrid neural network. Computers & Geosciences (26), 869-875. 3) Battiti, R., 1992. First and second order methods for learning: Between steepest descent and Newton’s method. Neural Computation 4 (2), 141–166.

[6] Lim, J.S., 2005, “Reservoir properties determination using fuzzy logic and neural networks from well data in offshore Korea”, Journal of Petroleum Science and Engineering (49), 182– 192.

[7] Lashin, A., Din, S., 2013, Reservoir parameters determination using artificial neural networks: Ras Fanar field, Gulf of Suez, Egypt: Arabian Journal of Geosciences, 6(8): 27892806.

[8] Deutsch, C. V., and Journel, A. G., 1998, GSLIB, geostatistical software library and user’s guide (2nd ed.). Oxford, England: Oxford University Press.

[9] Hohn, M. E., 1999, Geostatistics and petroleum geology (2nd ed.). Dordrecht, the Netherlands: Kluwer Academic. Journel, A. G., and Huijbregts, Ch. J. (1978). Mining Geostatistics. London: Academic Press.

[10] Murris, R.J. (1980) Middle East: Stratigraphic Evolution and Oil Habitat. AAPG Bulletin,64,597-618.

[11] Al-Husseini, M.I., 1997, Jurassic sequence stratigraphy of the western and southern Arabian Gulf: GeoArabia, v. 2, no. 4, p. 361-382.

[12] James, G.A., & Wynd, J.G., 1965. Stratigraphic Nomenclature of Iranian Oil Consortium Agreement Area. AAPG Bulletin, 49: 2182-2245.

[13] Powers, R.W., 1962, Arabian Upper Jurassic Carbonate Reservoir Rocks, In: W.E. Ham (Eds.), Classification of Carbonate Rocks: American Association of Petroleum Geologists Memoir, 1, p.122192.
[14] Mohaghegh, S., Virtual-intelligence Applications in Petroleum Engineering: Part I., Artificial Neural Networks J. Pet. Technol., Vol. 52, p. 64-73, 2000.

[15] Wong. P.M, Henderson D.J, Brooks. L.J, 1997, Reservoir permeability determination from well log data using artificial neural networks: an example from the Ravva field, offshore India, Proc. SPE Asia Pacific Oil and Gas Conference.

[16] Lim, Jong-Se, 2003. Reservoir permeability determination using artificial neural network. J. Korean Soc. Geosyst. Eng. 40, 232–238.
[17] Kelkar, M., Perez, G., Chopra. A, 2002, Applied geostatistics for reservoir characterization., Texas, Society of Petroleum Engineers (SPE).

[18] Mata Lima. H, 2005, GEOSTATISTIC IN RESERVOIR CHARACTERIZATION: FROM ESTIMATION TO SIMULATION METHODS, Estudios Geol., 61: 135_145.
[19] Viste, I., 2008. 3D Modelling and Simulation of Multi-Scale Heterogeneities in Fluvial Reservoir Analogues, Lourinh~a Fm, Portugal: from Virtual Outcrops to Process-oriented Models. M. Sc., Thesis. Bergen Univ., Norway, 184 pp.

[20] Hasani Pak AA, 2007, Geostatistics, 2nd edn. Univ. of Tehran Press,Tehran.


[21] Shabani FGH, Bashiri M, Izadkhah KM, 2011, Simulation of petrophysical parameters using SGS method in one of Southwest Iranian hydrocarbon reservoirs. J Petrol Res 21(66):53–66.

[22] Dean L (2007) Reservoir engineering for geologists. Part 3- Volumetric Estimation. Reservoir11:20.