شناسایی شکستگی‌ها در نمودارهای تصویری الکتریکی با استفاده از تکنیک‌های پردازش تصویر و الگوریتم ژنتیک

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشگاه تهران - پردیس دانشکده‌های فنی - دانشکده مهندسی معدن

2 دانشگاه تهران - پردیس دانشکده‌های فنی - دانشکده مهندسی برق و کامپیوتر

3 دانشگاه صنعتی شاهرود - دانشکده مهندسی معدن، نفت و ژئوفیزیک

4 پژوهشگاه صنعت نفت- پردیس پژوهش و توسعه صنایع بالادستی

چکیده

در مخازن با شکستگی طبیعی، شکستگی‌ها نقش اساسی در تولید هیدروکربن ایفا می‌کنند. به همین دلیل، شناسایی شکستگی‌ها در جنبه‌های مختلف تولید و توسعه این میادین بسیار اهمیت دارد. نمودارهای تصویری، ابزاری بسیار قوی برای مطالعه شکستگی‌ها در چاه‌ها هستند. نمودار تصویری، یک شبه تصویر با تفکیک‌پذیری بالا از دیواره چاه می‌باشد. این نمودارها اطلاعات مهمی را درباره جهت‌گیری، عمق و نوع شکستگی‌های طبیعی فراهم می‌کند. امروزه برای شناسایی پارامترهای مربوط به شکستگی‌ها از روی این نمودارها، الگوریتم جامعی وجود ندارد و تفسیر این نمودارها اغلب به‌ صورت دستی انجام می‌گیرد که در صورت نبود تجربه کافی، تفسیر با خطا مواجه خواهد بود. هدف از مطالعه حاضر، معرفی و به‌ کارگیری روش‌های پردازش تصویر و الگوریتم ژنتیک، جهت پیدا کردن خودکار شکستگی‌ها در نمودارهای تصویری می‌باشد. در این روش ابتدا، با استفاده از یک روش طبقه‌بندی، نقاط مربوط به شکستگی از داخل تصویر استخراج می‌شود. سپس با استفاده از الگوریتم ژنتیک، تعداد، شیب، آزیموت و موقعیت عمقی شکستگی‌ها از روی نقاط استخراج شده، تعیین می‌گردد. این روش بر روی بخشی از دو نمودار تصویری مربوط به دو چاه از میادین هیدروکربوری جنوب ایران پیاده شد. دقت روش برای تخمین پارامترهای شکستگی چاه‌های مورد مطالعه بیش از 70% به دست آمد. از طرفی روش پیشنهادی حساسیت کمی نسبت به وجود نویز در تصویر دارد.

کلیدواژه‌ها


عنوان مقاله [English]

Fracture Identification in Image Logs Using Image Processing Techniques and Algorithm Genetic

نویسندگان [English]

  • Mostafa Javid 1
  • Hossein Memarian 1
  • Reza Aghaei Zorofi 2
  • Behzad Tokhmechi 3
  • Farhad Khoshbakht 4
  • Seyed Mehdi Mazhari 2
1 School of Mining Engineering, University of Tehran
2 School of Electrical and Computer Engineering, University of Tehran
3 Department of Mining Engineering, Geophysics and Petroleum Engineering, Shahrood University of Technology, Shahrood
4 Research Institute of Petroleum Industry (RIPI)
چکیده [English]

In naturally fractured reservoirs, fractures play a main role in production, and fracture identification is very important in reservoir development and management. Borehole image log, which is a high resolution “pseudo picture” of the borehole wall, is a powerful tool for fracture study. These logs provide critical information about the orientation, depth, and type of natural fractures. Currently, there is no comprehensive algorithm for the automatic identification of fracture parameters in image logs, and the interpretation of these logs is often done manually. This process might become erroneous when the interpreter is less experienced. The present study uses image analysis and processing techniques, as well as genetic algorithms to detect fractures in image logs automatically. In this method, the points related to fractures are first extracted from the image by a classification method. Then, the number, depth, dip, and dip direction of fractures are determined on the extracted points by using genetic algorithm. This method is performed on a part of two image logs (4 and 8 pads) of two wells located in two oilfields in the south of Iran. Despite the sensitivity of the proposed method to the noises of the image, it successfully estimated the number, dip, and dip direction of fractures for both studied wells with an accuracy of 70%.

کلیدواژه‌ها [English]

  • Oil and Gas Reservoirs
  • Borehole Image Logs
  • Fracture
  • Image Processing
  • Genetic Algorithm
منابع

[1]. Haller D., and Porturas F., “How to characterize fractures in reservoirs using borehole and core images: case studies, Geological society”, Special Publications, London, vol. 136, pp. 249– 259, 1998.

[2]. Khoshbakht F., Memarian H., Azizzadeh M., Nourozi G., and Moallemi A., “Ability of FMS in detecting fractures and other geological features of Asmari fractured carbonate reservoir”, 4th North African/Mediterranean Petroleum and Geosciences Conference & Exhibition Tunis, Tunisia, pp. 1-7, 2009.

[3]. Plumb R. A., and Luthi S. M., “Analysis of Borehole images and their application to geologic modeling of an Eolian reservoir”, SPE annual technical conference and exhibition, New Orleans, pp. 505-514, 1986.

[4]. Tingay M., Reinecker J., and Müller B., “Borehole breakout and drilling-induced fracture analysis from image logs”, World Stress Map Project Stress Analysis Guidelines, pp. 1-8, 2008.

[5]. Serra O., Formation MicroScanner Image Interpretation, Schlumberger Education Services, 1989.

[6]. Serra O., and Serra L., Well Logging- Data Acquisition and Application, Seralog, 2004.

[7]. Schlumberger, Borehole geology, geomechanics and 3D reservoir modeling (FMI), SMP-5822, 2002.

[8]. Torres D., Strickland R., and Gianzero M., “A new approach to determining dip and strike using borehole images”, SPWLA 31th Annual Logging Symposium, Lafayette, Louisiana, pp. 1–20, 1990.

[9]. Hall J., Ponzi M., Gonfalini M., and Maletti G., “Automatic Extraction and Characterization of Geological Features and Textures from Borehole Images and Core Photographs”, SPWLA 37th Annual Logging Symposium, New Orleans, Louisiana, pp. 1-13, 1996.

[10]. Ye Sh. J., and Baviler P., “Automated fracture detection on high resolution resistivity borehole imagery”, SPE annual technical conference and exhibition, New Orleans, Louisiana, pp. 777-785, 1998.

[11]. Gonzalez R. C., and Woods R. E., Digital Image Processing 2nd edition, prentice Hall, Upper saddle River, NJ., 2002.

[12]. Steger C., An unbiased detector of curvilinear structures, IEEE Transactions on Pattern Analysis and Machine Intelligence, 1998.

[13]. Goldberg D.E., Genetic Algorithm in search, optimization and machine learning, New York: Addison –Wesley, 1989.

[14]. Haralick R., and Linda G., “Computer and Robot Vision”, Vol. 1, New York: Addison-Wesley, 1992.