تطابق بین داده‌های ژئوشیمیایی و پتروفیزیکی با استفاده از شبکه عصبی مصنوعی و آنالیز خوشه‌ای در میدان نفتی آزادگان

نوع مقاله: مقاله پژوهشی

نویسندگان

1 ندارم

2 دانشکده علوم دانشگاه تبریز

3 ندارد

4 زمین شناس شرکت مهندسی نفت کیش

چکیده

یکی از پارامترهای مهم ژئوشیمیایی، مقدار کربن آلی کل (TOC) است که جهت ارزیابی پتانسیل هیدروکربن‌زایی سنگ منشأ استفاده می‌شود. اندازه‌گیری این پارامتر مهم مستلزم انجام آزمایش‌های ژئوشیمیایی بر روی خرده‌های حفاری است که بسیار پرهزینه و وقت‌گیراند و برای تعداد محدودی نمونه انجام می‌شوند. در حالی که در اکثر چاه‌‎های حفاری‌شده در یک میدان نفتی داده‌های پتروفیزیکی در اختیار است. در این مطالعه از فناوری شبکه عصبی مصنوعی جهت تخمین نگار TOC از داده‌های پتروفیزیکی استفاده شده است. مقدار ضریب همبستگی بین نگار TOC تولیدشده از شبکه عصبی با داده‌های TOC حاصل از پیرولیز راک ایول 71% است که مقداری قابل قبول است. سپس از نگار کربن آلی کل تخمین‌زده‌شده برای شناسایی رخساره‌های آلی با حداکثر تولید کربن آلی کل استفاده شده است. روش به‌کاررفته در این مطالعه آنالیز خوشه‌ای است که خود شامل دو روش MRGC و AHC است. نتایج حاصل از این دو روش با یکدیگر مقایسه شدند و براساس آزمون ارزیابی خوشه‌ای، بهترین روش برای خوشه‌بندی داده‌های پتروفیزیکی در رخساره‌های معین استفاده شد. نتایج نشان دادند که روش خوشه‌بندی MRGC نتایج بهتر و با دقت بالاتری را ارائه می‌دهد. همچنین استفاده از این روش جهت شناسایی رخساره‌های آلی نسبت به روش AHC برتری خاصی دارد و خوشه‌هایی با قابلیت تفکیک بهتری ارائه می‌دهد. روش ارائه‌شده همراه با مثال موردی در یک حلقه از چاه‌های میدان آزادگان واقع در دشت آبادان توضیح داده شده است.
 

کلیدواژه‌ها


عنوان مقاله [English]

Coincidence Between Geochemical and Pertophysical Data Using Artificial Neural Network and Cluster Analysis in Azadegan Oil Field

نویسندگان [English]

  • sirous gholipour 1
  • ali kadkhodaie 2
  • mohammad tahmooresi 3
  • hamid momen zadeh 4
1 no
2 teacher
چکیده [English]

One of the major geochemical parameters is total organic carbon (TOC) which is used to evaluate hydrocarbon generation potential of source rocks. Measurement of such important parameter requires performing tests on small-scale drill cuttings which is too expensive and they are measured on a limited number of samples. However, petrophysical data are measured for all drilled wells in a hydrocarbon field. In this paper, the artificial neural network technology was used to estimate TOC from petrophysical logs. The correlation coefficient between the estimated TOC from neural network and measured data from Rock-Eval pyrolysis is 71% which is an acceptable value. Then, the estimated total organic carbon log is used to identify the organic facies with a maximum amount of TOC. The methodology used in this paper is cluster analysis that includes MRGC and AHC methods. The results of these two methods are compared and evaluated based on cluster validity test and the best method of data clustering was used to cluster petrophysical data into certain facies. The results showed that the MRGC clustering provides better results with higher accuracy. Moreover, using this method has advantages in comparison to AHC for determination of organic facies and has capabilities to provide high resolution clusters. The presented methodology was explained by using a case study from one well of Azadegan field, Abadan plain.

کلیدواژه‌ها [English]

  • Artificial Neural Network
  • TOC
  • Azadegan Oil Field
  • Petrophysical Data
  • Cluster Analysis

1- گزارش‌های شرکت ملی نفت ایران، 1386.##

[2]. Tissot B. and D. H., Petroleum Formation and Occurrence, 2nd ed. Springer Verlag, Berlin 1984.##

[3]. Hunt J. M., Petroleum Geochemistry and Geology, : 2nd ed., W. H. Freeman and Company, New York, p. 743,1996 .##

[4]. Behar F., Beaumont V., and Pentea B., “Rock-Eval 6 Technology, Performances and Developments,” Oil & Gas Science and Technology, Rev. IFB, Vol. 56, No. 2, pp.111-134, 2001.##

[5]. Dellenbach J., Espitalie J., and Lebreton F., “Source Rock Logging”, Transactions of 8th European SPWLA Symposium, paper D, 1983.##

[6]. Al-Qahtani F. A. “Porosity prediction using artificial neural network,” M.Sc. Dissertation, Morgautwn Virginia University, 2000.##

[7]. Callan R., “The essence of neural networks,” Southampton Institute. Prentice Hall Europe, 1999.##

[8]. WardJr., J. H., “Hierarchical grouping to optimize an objective function,” Stat. Assoc,. Vol. 48, pp. 236–244,1963.##

[9]. Meyer B. L., and Nederlof M. H., “Identification of source rocks on wireline logs by density/resistivity and sonic transit time/ resistivity cross plots,” AAPG Bulletin, Vol. 68, pp. 121–129, 1984.##

[10]. Schmoker J. W, “Determination of organic-matter content of Appalachian Devonian shales from gamma-ray logs,” AAPG Bulletin, Vol. 65, pp. 2165–2174, 1981.##

[11]. Meyer B. L., and Nederlof M. H., “Identification of source rocks on wireline logs by density/resistivity and sonic transit time/ resistivity cross plots,” AAPG Bulletin, Vol. 68, pp. 121– 129, 1984.##