ساخت نمودار سرعت موج برشی با بهره‌گیری از الگوریتم کلونی مورچه و استفاده از داده‌های چاه‌پیمایی در میدان نفتی چشمه خوش

نوع مقاله: مقاله پژوهشی

نویسندگان

1 گروه زمین‌شناسی، دانشکده علوم زمین، دانشگاه شهید چمران اهواز، ایران

2 گروه زمین‌شناسی، دانشکده علوم طبیعی، دانشگاه تبریز، ایران

چکیده

محاسبه پارامترهای ژئومکانیکی مخزن همانند سرعت موج برشی و سرعت موج فشاری از جمله پارامترهای مهمی است که مهندسین مخازن نفت و گاز همواره درصدد محاسبه آن بوده‌اند. با محاسبه این فاکتورها، می‌توان به پارامترهای الاستیک مخزن که نقش مهمی در شناخت علل شکستگی‌های مخزنی و مسائلی نظیر پایداری دیواره چاه و عملیات شکافت هیدرولیکی مخزن دارد، دست یافت. در این مطالعه به ساخت نمودار سرعت موج برشی از طریق الگوریتم کلونی مورچه که روشی نوین و فوق‌العاده قدرتمند در عرصه هوش مصنوعی و بهینه‌سازی است، پرداخته شده و نتایج به‌دست آمده با نتایج حاصل از روش‌های پیشین مورد مقایسه قرار گرفته است. پس از بررسی نمودارهای مختلف، نمودارهای RHOB ،Vp ووNPHI به‌‌عنوان ورودی‌های مدل ساخته شده مورد استفاده قرارگرفته است. برای ساخت مدل و بررسی عملکرد آن، داده‌های موجود به دو گروه داده‌های آموزشی و داده‌های آزمایش تقسیم گردید. نتایج نشان‌دهنده عملکرد بسیار مناسب الگوریتم کلونی مورچه در تخمین پارامترهای ژئومکانیکی مخزن است و پیشرفت قابل ملاحظه‌ای در زمینه بهینه‌سازی فراابتکاری حاصل شده است.
 

کلیدواژه‌ها


عنوان مقاله [English]

Shear Wave Velocity Synthesis Using Conventional Well Log Data and Ant Colony Algorithm in Cheshmeh–Khosh Oilfield

نویسندگان [English]

  • Amir Nourafkan 1
  • Bahman Soleimani 1
  • Ali Kadkhodai 2
1 Geology Department, Earth Sciences Faculty, Shahid Chamran University, Ahvaz, Iran
2 Geology Department, Natural Sciences Faculty, Tabriz University, Iran
چکیده [English]

The prediction of geomechanical parameters of a reservoir such as compressional and shear waves velocities is an important subject for the gas and oil reservoir engineers to understand the reasons of reservoir fracturing, well stability, and hydraulic fracturing process through the characterization of these elements. In the present study, we tried to predict the compressional wave velocity by a new and powerful technical method of ant colony algorithm. The results were then compared with other artificial intelligence methods. The input data of the model were selected logs of NPHI, RHOB, and Vp. To provide the model and its validity, all the data were divided into two parts: education and testing. The results revealed that ant colony algorithm had a high potential to estimate the geomechanical parameters of the reservoir, which has made considerable advances in improving data.
 

کلیدواژه‌ها [English]

  • Geomechanic
  • Shear Wave Velocity
  • Ant Colony Algorithm
  • Artificial Intelligence Method
  • Cheshmeh-Khosh Oilfield
[1]. Habimana J., Labiouse V., and Descoeudres F., “Geomechanical characterisation of cataclastic rocks: experience,” International Journal of Rock Mechanics & Mining Sciences., Vol. 6, pp. 677–693, 2002.##

[2]. Pickett G. R., “Acoustic character logs and their application information evaluation,” J. Pet. Technol., Vol. 15, pp. 650–667,1963.##

[3]. Castagna J. P., Batzle M. L., and Eastwood R. L., “Relationship between compressional and shear wave velocities in silicate rocks,” Geophysics., Vol. 50, pp. 571–581, 1985.##

[4]. Han D., “Empirical relationships among seismic velocity, effective pressure, porosity and clay content in sandstone,” Geophysics., Vol. 54, pp. 82–89, 1989.##

[5]. Krief M., Garat J., Stellingwerf J., and Venter J., “A petrophysical interpretation using the velocities of P and S waves(full wave from sonic),” Log Anal., Vol. 31., pp. 355–369, 1990.##

[6]. Greenberg M. L. and Castagna J. P., “Shear wave velocity estimation in porous rocks: theoretical formulation, prelimining verification and applications,” Geophys Prospect., Vol. 40, pp. 195–209, 1992.##

[7]. Murphy W., Reischer A., and Hsu K., “Modulus decomposition of compressional and shear velocities in sand bodies,” Geophysics, Vol. 58, pp. 227–239, 1993.##

[8]. Bastos A. C., Dillon L. D., Vasquez G. F., and Soares J. A., “Core-derived acoustic, porosity and permeability correlation for computation pseudo-logs,” Geol. Soc. London Spec. Publ., Vol. 136, pp. 141–146, 1998.##

[9]. Eskandari H., Rezaee M. R., and Mohammadnia M., “Application of Multiple Regression and Artificial Neural Network Techniques to Predict Shear Wave Velocity from Wireline Log Data for a Carbonate Reservoir, South-West Iran,” CSEG Recorder., Vol. 29, pp. 42-48, 2004.##

[10]. Rezaee M., Kadkhodaie Ilkhchi A., and Barabadi A. “Prediction of shear wave velocity from petrophysical data utilizing intelligent systems: An example from a sandstone reservoir of Carnarvon Basin,” Australia, J. Pet. Sci. Eng., Vol. 55, pp. 201–212, 2007.##

[11]. Moatazedian I., Rahimpour-Bonab H., Kadkhodaie-Ilkhchi A., and Rajoli M. R. “Prediction of shear and compressional wave velocities from petrophysical data utilizing genetic algorithms technique: a case study in Hendijan and Abuzar fields located in Persian Gulf,” J. Geope., Vol. 1, pp. 1-17, 2011.##

[12]. Rajabi M., Bohloli B., and Gholampour Ahangar E. “Intelligent approaches for prediction of compressional, shear and Stoneley wave velocities from conventional well log data: A case study from the Sarvak carbonate reservoir in the Abadan Plain (Southwestern Iran),” Comput Geosci., Vol. 36, pp. 647-664, 2010.##

[13]. Bonabeau E., Dorigo M., and Theraulaz G., “Swarm intelligence: From natural to artificial systems,” Oxford University Press, 1999.##

[14]. Box G. and Muller M., “A note on the generation of random normal deviates, Ann Math Statist,” Vol. 29, No. 2, pp. 610-611, 1958.##

[15]. Dorigo M., “Optimization, learning and natural algorithms (in Italian),” Ph.D. Thesis, Dipartimento di Elettronica, Politecnico di Milano, Italy, 1992##

[16]. Deneubourg J. L., Aron S., Goss S., and Pasteels J. M., “The self-organizing exploratory pattern of the Argentine ant,” J. Insect Behavior,” Vol. 3, pp. 159-68, 1990.##

[17]. Blum C., “Ant colony optimization: Introduction and recent trends,” Physics of Life, Vol. 2, pp. 353–373, 2005.##

[18]. Kennedy J. and Eberhart R,. “Particle swarm optimization. Proceedings of the 1995 IEEE international conference on neural networks ,Piscataway,” NJ: IEEE Press, Vol. 4, pp. 1942-1948, 1995.##

[19]. Socha K. and Dorigo M., “Ant colony optimization for continuous domains,” European J. Operational Research, Vol. 185, pp. 1155–1173, 2008.##

[20]. Dreo J., “Shortest path find by an ant colony,” http://en.wikipedia.org/wiki/File:Aco_branches.svg#filehistory, 27.5.2006 ##