f7dc9c6ab1f8c7a 8fcd9532671845f 8fcd9532671845f

تخمین تراوایی با استفاده از الکتروفاسیس‌ها در یکی از مخازن کربناته میادین جنوب غرب ایران

نوع مقاله: مقاله پژوهشی

نویسندگان

1 مهندسی اکتشاف نفت، دانشگاه تهران، ایران

2 مؤسسه‌ ژئوفیزیک، دانشگاه تهران، ایران

چکیده

در این تحقیق یک رویکرد دو مرحله‌ای برای پیش‌بینی تراوایی از نمودارهای چاه ارائه شده است که با استفاده از رگرسیون غیرپارامتری در رابطه با آنالیز آماری چندمتغیره ارائه شده است. ابتدا، داده‌های چاه به انواع الکتروفاسیس‌ها طبقه‌بندی می‌شوند. این طبقه‌بندی بر اساس اندازه‌گیری‌های به دست آمده از نمودارهای چاه است که منعکس کننده‌ کانی‌ها و رخساره‌های سنگی در بازه نمودارگیری است. این فرایند ترکیبی از آنالیز مؤلفه‌های اصلی، آنالیز خوشه‌ای مبتنی بر مدل و آنالیز تفکیک کننده برای توصیف و شناسایی انواع الکتروفاسیس‌ها است. سپس، از تکنیک‌های رگرسیون غیرپارامتری برای پیش‌بینی تراوایی برای هر الکتروفاسیس استفاده شده است. سه روش غیرپارامتری مورد بررسی در این مقاله الگوریتم انتظار مشروط متناوب، ماشین بردار پشتیبان  و شبکه عصبی مصنوعی هستند که مزیت‌ها و محدودیت‌های نسبی آنها بررسی شده است، در این میان الگوریتم انتظار مشروط متناوب نتایج بهتری برای داده‌های تست به دست می‌دهد. روش‌های پیشنهادی در این تحقیق در ‌یک مخزن کربناته‌ بسیار ناهمگن در جنوب غربی ایران مورد استفاده قرار گرفته است.
 

کلیدواژه‌ها


عنوان مقاله [English]

Permeability Estimation in Carbonate Reservoirs Using Electrofacies in an Oil field in the Southwest of Iran

نویسندگان [English]

  • Hamidreza Kayhani 1
  • Mohammad Ali Riahi 2
  • Gholamhosein Nourozi 2
چکیده [English]

An electrofacies in defined by a similar set of log responses that characterize a specific bed and allow it to be distinguished from other beds. Electrofacies characterization is a simple and cost-effective approach to obtaining permeability estimates in heterogeneous carbonate reservoirs using commonly available well logs. Formation permeability is often measured directly from core samples in the laboratory or evaluated from the well test data. The first method is very expensive. Moreover, the well test data or core data are not available in every well in a field; however, the majority of wells are logged. We propose a two-step approach to permeability prediction from well logs that uses nonparametric regression in conjunction with multivariate statistical analysis. First, we classify the well-log data into electrofacies types. This classification does not require any artificial subdivision of the data population and it follows naturally based on the unique characteristics of well-log measurements reflecting minerals and lithofacies within the logged interval. A combination of principal components analysis (PCA), model-based cluster analysis (MCA), and discriminant analysis is used to characterize and identify electrofacies types. Second, we apply nonparametric regression techniques to predict permeability using well logs within each electrofacies. Three nonparametric approaches are examined, namely alternating conditional expectations (ACE), support vector machine (SVM), and artificial neural networks (ANN), and the relative advantages and disadvantages are explored. For permeability predictions, the ACE model appears to outperform the other nonparametric approaches. We applied the proposed technique to a highly heterogeneous carbonate reservoir in the southwest of Iran
 

کلیدواژه‌ها [English]

  • Permeability
  • Electrofacies
  • Principal Components Analysis
  • Alternating Conditional Expectations
  • Support Vector Machine
  • Artificial Neural Networks
[1] Mamgain G., Bahuguna V.K. and Lal Ch., Reservoir Group, “Improved permeability estimates in carbonate reservoirs using electrofacies characterization: a Case study of mumbai high south pushpa sharma”, KDMIPE, Dehradun, India, GEOIndia, 2011##.

[2] Lee S. H., and Dutta-Gupta A., Electrofacies characterization and permeability predictions in carbonate reservoirs: ##role of multivariate analysis and nonparametric regression, SPE 56658, Oct. 1999.

[3]. Lee S. H., Kharghoria A., and Datta-Gupta A., Electrofacies characterization and permeability predictions in complex ##reservoirs, Jun. 2002.

[4]. Bucheb J. A. and Evans H. B., Some applications of method used in electrofacies identification, The Log Analyst, 35, ##14, Jan.–Febr. 1994.

[5]. Banfield J. D. and Raftery A. E., “Model-based Gaussian and Non-Gaussian Clustering”, Biometrics, 49, No. 3,  pp. ##803, Sept. 1993.

[6]. Cristianini N. and Shawe-Taylor J., An Introduction to Support Vector Machines and other kernel-based learning ##methods, Cambridge University Press, 2000.

[7]. Breiman L. and Friedman J. H., Estimating optimal transformations for multiple regression and correlation, J. ##American Statistical Assn, 580, Sept. 1985.

[8]. Foresee and Hagan, Proceedings of the international joint Conference on neural networks, Jun., 1997.##

[9]. عاقبتی رضا، "معرفی یک میدان- طرح توسعه میدان مورد مطالعه"، نشریه فنی تخصصی شرکت ملی نفت ایران- اکتشاف و تولید، شماره51، آبان ماه 1387.##

[10]. Reservoir geology of the azadegan field, Research Institute of Petroleum Industry, Exploration and Production ##Division, RIPI 2005.

[11]. Sedimentological study of the sarvak formation, Prepared by: INPEX Corporation Petroleum Technology Division 1-2-2, Hamada, Mihama-ku, Chibashi, Chiba 261, Japan, Apr., 2005.##