مـدل‌سـازی سنـگ‌شناسـی در میدان گازی پـارس جنـوبی با استفـاده از شبـکه عصبـی مصنوعی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشگاه آزاد اسلامی، واحد علوم و تحقیقات تهران، باشگاه پژوهشگران جوان

2 دانشگاه صنعتی امیرکبیر، دانشکده مهندسی صنایع

چکیده

مغزه‌گیری از تعدادی چاه بدون توجه به اندازه میدان نفتی، برای به‌دست آوردن اطلاعات کلی از منطقه، امری ضروری و غیرقابل اجتناب می‌باشد. مغزه‌گیری از تمام چاه‌ها در یک میدان بزرگ بسیار پرهزینه است. بنابراین، یافتن راهی برای گریز از این هزینه‌ بالا ضروری به نظر می‌رسد. این پژوهش به مدل‌سازی شبکه‌های عصبی مصنوعی، به منظور استفاده از نگارهای چاه برای تخمین لیتولوژی در یکی از مخازن میدان گازی پارس جنوبی اختصاص دارد. در این تحقیق، از یک شبکه‌ عصبی سه‌ لایه با الگوریتم پس انتشار خطا
(BP) و الگوریتم آموزش لونبرگ- مارکوآرت، برای تخمین سنگ‌شناسی استفاده شده است. نگارهای نوترون، چگالی، پرتو گاما و اثرفتوالکتریک (PEF) به‌صورت ورودی شبکه در نظر گرفته شده است. در این تحقیق، داده‌های مربوط به چهار چاه در میدان پارس جنوبی مورد استفاده قرار گرفته است. از داده‌هاى دو چاه (چاه‌هایSPF1 و SPF2) که دارای آنالیز مغزه بودند برای آموزش شبکه، اعتبارسنجی و آزمون استفاده شد و سپس شبکه طراحی شده جهت تخمین سنگ شناسی دو چاه دیگر (چاه‌های SPF3 و SPF4) مورد استفاده قرار گرفت و با داده‌های مغزه آن‌ها مقایسه گردید. سنگ‌های مورد بررسی عبارتند از: دولومیت، آهک، آهک دولومیتی، دولومیت آهکی، انیدریت، شیل، آهک شیلی و دولومیت شیلی. مقدار میانگین مربعات خطا (MSE) برای چاه SPF3 برابر 087/0 و برای چاه SPF4
برابر 098/0 می‌باشد.

کلیدواژه‌ها


عنوان مقاله [English]

Modeling of Lithology in South Pars Gas Field Using Artificial Neural Network

نویسندگان [English]

  • M. A. Dezfoolian 1
  • M. Akbarpour Shirazi 2
1 Young Researchers Club, Science and Research Branch, Islamic Azad University, Tehran, Iran
2 Department of Industrial Engineering, Amirkabir University of Technology
چکیده [English]

Coring from several wells, regardless of the oil field acreage, is an inevitable and necessary task in order to obtain general information of the region. Yet, coring in wells of huge fields is excessively costly. Therefore, finding a solution to avoid this excessive expense seems to be crucial. This work presents a type of artificial neural network modeling in order to use well bore logs in lithology prediction in one of the South Pars gas field reservoirs. Here, a network with three-layer back propagation (BP) method and Levenberg-Marquwardt algorithm has been used for lithology estimation. The network utilized density, neutron, gamma-ray and photoelectric effect (PEF) logs as inputs. Data from four wells in South Pars field has been used. Data from two wells (wells SPF1 and SPF2) having core analysis were used as network training, validation and testing. The network was then utilized to estimate the lithology in the two other wells (wells SPF3 and SPF4) and the results were compared with the core data (real lithology). The interval under investigation consists of Dolostone, Limestone, Dolomitic Limestone, Limy Dolostone, Anhydrite, Shale, Shaly Limestone and Shaly Dolostone. The mean square error (MSE) of rock types were 0.081 and 0.094 for SPF3 and SPF4 wells, respectively.

کلیدواژه‌ها [English]

  • Lithology
  • Well Logging
  • Core
  • Artificial Neural Network
  • Hydrocarbon Reservoir
منابع

[1] Mohaghegh S.D., “Chevron A., Gaskari R., Siegfreid R., Determining In-Situ Stress Profiles From Logs”, SPE., 90070, 2004.

[2] Duboisa K., Geoffrey C., Bohling S., “Comparison of four approaches to a rock facies classification problem”, Computers & Geosciences., Vol. 33, pp. 599-617, 2007.

[3] Siripitayananon P., Chen H., Hart B.S., A New Technique for Lithofacies Prediction: Back-Propagation Neural Network, Association for Computing Machinery., Inc, 2001.

[4] Nikravesh M., “Soft computing-based computational intelligent for reservoir characterization”, Expert Systems with Applications., Vol. 26, pp. 19-38, 2004.

[5] Nikravesh M., Aminzadeh F., “Mining and fusion of petroleum data with fuzzy logic and neural network agents”, Journal of Petroleum Science and Engineering., Vol. 29, pp. 221-238, 2001.

[6] Kadkhodaie Ilkhchi A., Rezaee M.R., Moallemi S.A., “A fuzzy logic approach for estimation of permeability and rock type from conventional well log data: an example from the Kangan reservoir in the Iran Offshore Gas Field”, Journal of Geophysics and Engineering. Vol. 3, pp. 356-369, 2006.

[7] Rezaee M.R., Kadkhodaie A., Barabadi A., “Prediction of shear wave velocity from petrophysical data utilizing intelligent systems: An example from a sandstone reservoir of Carnarvon Basin, Australia”, Journal of Petroleum Science and Engineering., Vol. 55, pp. 201-212, 2007.

[8] Taheri S.R., “Remote sensing, fuzzy logic and GIS in petroleum exploration”, SPE., 101040, 2006.

[9] Shiwei Y., Kejun Z., Fengqin D., “A dyanamic all parameter adaptive BP neural networks model and its application on oil reservoir prediction”, Applied mathematics and computation., Vol. 195, pp. 66-75, 2008.

[10] Hambalek N., Gozalez R., “Fuzzy logic applied lithofacies and permeability forecasting”, SPE., 81078, 2003.

[11] Cuddy S.L., “Lithofacies and permeability prediction from electrical logs using fuzzy logic”, SPE., 65411, 2000.

[12] Zhou Z.H., Chen Z.Q., Chen S., Neural networks based lithology identification, Proceedings of the International Conference on Intelligent Information Processing., Beijing, China, pp. 139-142, 2000.

[13] Chang H., Kopaska C., Chen H., “Identification of lithofacies using Kohonen self-organizing maps”, Computers & Geosciences., Vol. 28, pp. 223-229, 2002.

[14] Briqueu L., Gottlib-Zeh S., Ramadan M., Brulhet J., “Inferring lithology from downhole measurements using an unsupervised self-organising neural network: study of the Marcoule silty clayish Unit”, C. R. Geoscience., Vol. 334, pp. 331-337, 2002.

[15] Matlab User’s Guide, Neural Networks Toolbox for use with Matlab, by the Math Works, Ins., 2010.

[16] شرکت نفت و گاز پارس، گزارش نهایی حفاری و زمین شناسی میدان گازی پارس جنوبی، مدیریت مهندسی نفت و گاز، 1382.

[17] شرکت نفت و گاز پارس، گزارشات تکمیلی چاه‌های مورد مطالعه و نتایج عملیات مغزه گیری، بخش زمین‌شناسی و ژئوفیزیک، 1386.