پیش‌بینی ضریب سیمان‌شدگی و نمای اشباع برای مخازن کربناته ایران به‌وسیله الگوریتم برنامه‌ریزی ژنتیک

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه اقتصاد ومدیریت انرژی، دانشکده نفت تهران، دانشگاه صنعت نفت، ایران

2 گروه مهندسی نفت، پردیس توسعه صنایع بالادستی نفت، پژوهشگاه صنعت نفت، تهران، ایران

چکیده

ضرایب آرچی، ضریب سیمان‌شدگی و نمای اشباع، پارامترهای مهمی در تعیین خصوصیات مخزن هستند. اندازه‌گیری آزمایشگاهی این دو پارامتر فرآیندی زمان بر و پرهزینه است و برای هر میدان نفتی داده‌های آزمایشگاهی مربوط به این دو پارامتر به تعداد محدودی موجود است. این در حالی است که این ضرایب نقش تعیین کننده‌ای در محاسبه میزان نفت درجا دارند رابطه تجربی مناسبی در این خصوص برای مخازن ایران وجود ندارد. در این مقاله، روابط تجربی برای این ضرایب به‌وسیله برنامه‌ریزی ژنتیک به‌دست آمده‌اند. برای ضریب سیمان‌شدگی پارامترهای تروایی، تخلخل و چگالی سنگ و برای نمای اشباع پارامترهای تروایی، تخلخل و شاخص ترشوندگی به‌عنوان متغیرهای ورودی مدل در نظرگرفته شده‌اند. مدل‌های برنامه‌ریزی ژنتیک به‌کمک داده‌های آنالیز معمولی مغزه و آنالیز ویژه مغزه از 21 میدان نفتی ایران آموزش داده شده‌اند. نتایج حاصله نشان می‌دهند که فرمول‌های تجربی به‌دست آمده به‌کمک مدل برنامه‌ریزی ژنتیک دقت بالایی دارند. میانگین مربعات خطا و ضریب همبستگی مربوط به داده‌های اعتبارسنجی روابط تجربی به‌دست آمده برای ضریب سیمان‌شدگی به‌ترتیب 062/0 و 91/0 و برای نمای اشباع به‌ترتیب 051/0 و 96/0 هستند. اهمیت این فرمول‌های به‌دست آمده در وابستگی آنها به متغیرهای قابل اندازه‌گیری ساده هستند و به غیر از ضریب ترشوندگی، همه پارامترهای مستقل، متغیرهای ساده آنالیز معمولی مغزه هستند که به آسانی و هزینه کم قابل اندازه‌گیری هستند
 

کلیدواژه‌ها


عنوان مقاله [English]

Prediction of Cementation Factor and Saturation Exponent Using Genetic Programming Algorithm

نویسندگان [English]

  • Soran Mahmoodpour 1
  • Ehsan Kamari 2
  • Mohammad Reza Esfahani 2
1 Petroleum University of Technology, Tehran, Iran
2 Department of Petroleum Engineering, Research Institute of Petroleum Industry (RIPI), Tehran, Iran
چکیده [English]

In this article, strong correlations for the cementation factor and saturation exponent were discovered by genetic programming (GP) algorithm. The cementation factord GP-base model was trained by input variables such as porosity, permeability, and grain density derived from 175 routine core analysis (RCAL) samples of 21 carbonated oil fields. Also, porosity, permeability, and wettability index were considered as input variables of saturation exponent model. The proposed correlations using GP improved greatly the average absolute error for the Archie’s parameters. The root mean square error and correlation coefficient of validation data for the new cementation factor correlation were 0.062 and 0.91, and for saturation exponent model, they were 0.051 and 0.96 respectively. The importance of theses correlations is in their dependence on simple measurable parameters, and except wettability index all of the independent parameters are simple routine core analysis parameters which can be measured easily and at no considerable expense.
 

کلیدواژه‌ها [English]

  • Archie’s Parameters
  • Cementation Factor
  • Saturation Exponent
  • RCAL and SCAL Data
  • Genetic Programing
[1]. Akbar M, Vissapragada B, Alghamdi AH, Allen D, Herron M, Carnegie A, Dutta D, Olesen JR, Chourasiya RD, Logan D, Stief D (2000) A snapshot of carbonate reservoir evaluation, Oilfield Review 12, 4: 20-21.##
[2]. Marathe R, Turner ML, Fogden A (2012) Fogden, Pore-scale distribution of crude oil wettability in carbonate rocks, Energy & fuels 26, 10: 6268-6281. ##
[3]. Archie GE (1952) Classification of carbonate reservoir rocks and petrophysical considerations, Aapg Bulletin 36, 2: 278-298. ##
[4]. Jodry RL (1992) Pore geometry of carbonate rocks and capillary pressure curves (basic geologic concepts), in Developments in petroleum science, Elsevier 30: 331-377. ##
[5]. Archie GE (1942) The electrical resistivity log as an aid in determining some reservoir characteristics, Transactions of the AIME 146, 1: 54-62. ##
[6]. Winsauer WO, Shearin Jr, HM, Masson PH, Williams M (1952) Resistivity of brine-saturated sands in relation to pore geometry, AAPG bulletin 36, 2: 253-277. ##
[7]. Donaldson E, Siddiqui T (1989) Relationship between the Archie saturation exponent and wettability, SPE formation evaluation 4, 3: 359-362. ##
[8]. Ransom P (1984) A contribution toward a better understanding of the modified Archie formation resistivity factor relationship, The log analyst 25, 2. ##
[9]. Rasmus JC (1986) A summary of the effects of various pore geometries and their wettabilities on measured and in-situ values of cementation and saturation exponents, in SPWLA 27th Annual Logging Symposium, Society of Petrophysicists and Well-Log Analysts. ##
[10]. Wardlaw NC (1980) The effects of pore structure on displacement efficiency in reservoir rocks and in glass micromodels, in SPE/DOE Enhanced Oil Recovery Symposium, Society of Petroleum Engineers. ##
[11]. Elias VLG, Steagall DE (1996) The impact of the values of cementation factor and saturation exponent in the calculation of water saturation for macae formation, Campos Basin, in SCA Conference. ##
[12]. Guyod H (1944) Fundamental data for the interpretation of electric logs, The Oil Weekly 115, 38: 21-7. ##
[13]. Pirson S (1947) Factors which affect true formation resistivity, Oil & Gas Journal 46, 18: 76-84. ##
[14]. Carter SL, Power HH (1962) The relationship between electrical resistivity and brine saturation in reservoir rocks, The Log Analyst 2: 5. ##
[15]. T Tiab D, Donaldson EC (2004) Theory and practice of measuring reservoir rock and fluid transport properties, Gulf professional publishing, Boston. ##
[16]. Sweeney SA, Jennings HY (1960) The electrical resistivity of preferentially water-wet and preferentially oil-wet carbonate rock, Producers Monthly 24, 7: 29-32. ##
[17]. Keller G (1953) Effect of wettability on the electrical resistivity of sand, Oil and Gas Journal 51, 34: 62-65.
[18]. Moore J (1958) Laboratory-Determined electric logging parameters of the bradford third sand, Producers Monthly 22, 3: 30-39. ##
[19]. Morgan WB, Pirson SJ (1964) The effect of fractional wettability on the archie saturation exponent, in spwla 5th annual logging symposium, Society of Petrophysicists and Well-Log Analysts. ##
[20]. Anderson WG (1986) Wettability literature survey-part 3: the effects of wettability on the electrical properties of porous media, Journal of Petroleum Technology 38, 12: 1,371-1,378. ##
[21]. Sondenaa E, Bratteli F, Normann HP, Kollveit K (1991) The effect of reservoir conditions, and wettability on electrical resistivity, in SPE Asia-Pacific Conference, Society of Petroleum Engineers. ##
[22]. Limited S (1984) Schlumberger log interpretation charts, Schlumberger. ##
[23]. Borai A (1987) A new correlation for the cementation factor in low-porosity carbonates, SPE Formation Evaluation 2, 4: 495-499. ##
[24]. Focke J, Munn D (1987) Cementation exponents in Middle Eastern carbonate reservoirs, SPE formation evaluation 2, 2: 55-167. ##
[25]. Olsen C, Hongdul T, Lykke Fabricius I (2008) Prediction of Archie’s cementation factor from porosity and permeability through specific surface, Geophysics 73, 2: E81-E87. ##
[26]. Shahi M, Salehi MM,  Kamari M (2018) New correlation for estimation of cementation factor in Asmari carbonate rock reservoirs, Egyptian journal of petroleum 27, 4: 663-669. ##
[27]. Streeter M, Becker LA (2003) Automated discovery of numerical approximation formulae via genetic programming,” Genetic Programming and Evolvable Machines 4, 3: 255-286. ##
[28]. Rostami A, Ebadi H, Arabloo M, Meybodi MK, Bahadori A (2017) Toward genetic programming (GP) approach for estimation of hydrocarbon/water interfacial tension, Journal of Molecular Liquids 230:175-189. ##
[29]. Abooali D, Sobati MA, Shahhosseini S, Assareh M (2019) A new empirical model for estimation of crude oil/brine interfacial tension using genetic programming approach, Journal of Petroleum Science and Engineering 173:187-196. ##
[30]. Koza JR, Bennett FH, Andre D, Keane MA, Dunlap F (1997) Automated synthesis of analog electrical circuits by means of genetic programming, IEEE Transactions on evolutionary computation 1, 2: 109-128. ##
[31]. Koza JR, Koza JR (1992) Genetic programming: on the programming of computers by means of natural selection 1, MIT press. ##
[32]. Augusto DA, Barbosa HJ (2000) Symbolic regression via genetic programming, in Proceedings 1, Sixth Brazilian Symposium on Neural Networks, IEEE. ##
[33]. Searson D, GPTIPS (2009) Genetic programming and symbolic regression for MATLAB. ##
[34]. Izadmehr M, Shams R, Ghazanfari MH (2016) New correlations for predicting pure and impure natural gas viscosity, Journal of Natural Gas Science and Engineering 30: 364-378. ##