شناسایی راک‌تایپ‌های مخزنی با استفاده از الگوریتم گوستافسون‌-کسل و تخمین‌گر لولیموت

نوع مقاله: مقاله پژوهشی

نویسندگان

دانشکده مهندسی معدن، پردیس دانشکده‌های فنی، دانشگاه تهران، ایران

چکیده

تفکیک مخزن به بخش‌های هموژن از نظر ویژگی‌های پتروفیزیکی مانند تخلخل و تراوایی را شناسایی راک‌تایپ‌های پتروفیزیکی می‌نامند. روش‌ها و معادلاتی متعدد برای بررسی راک‌تایپ‌های پتروفیزیکی وجود دارند: معادلات وینلند، معادلات پیتمن و شاخص کیفیت سنگ و ... . لازمه شناسایی و تفکیک زون‌های مخزنی برمبنای این ویژگی‌ها وجود مغزه‌ است، ولی در اغلب چاه‌های نفت و حتی در تمام اعماق یک چاه مغزه‌گیری ممکن نیست، اما تقریبا در تمام چاه‌ها نمودارگیری به‏صورت پیوسته انجام می‌شود. به همین علت یافتن روش‌هایی برای تخمین زدن تخلخل و تراوایی با استفاده از دیگر ویژگی‌هایی مخزنی دردسترس مهم است. در این مقاله برای بررسی کارایی سیستم فازی- عصبی درخت مدل خطی محلی(لولیموت) در تفکیک راک‌تایپ‌های پتروفیزیکی، نتایج حاصل از عمل‏کرد این سیستم با داده‌های حاصل از مغزه‌های موجود و نیز الگوریتم شبکه عصبی چندلایه مقایسه شدند و روی‏کرد مذکور، با توجه به راهبرد تقسیم و تسخیر، قابلیتی مناسب در زون‌بندی مخزن نشان داد. علاوه بر این برای افزایش کارایی روش فوق و بررسی اثر همگن‌سازی داده‌ها بر نتایج، داده‌ها قبل از ورود به سیستم فازی- عصبی با استفاده از روش گوستافسون- ‌کسل خوشه‌بندی شدند. براساس نتایج به‌دست‏آمده، دقت زون‌بندی مخازن نفتی براساس راک‌تایپ‌های پتروفیزیکی با استفاده از این روش بالاتر است. در نهایت در این مقاله براساس معادلات وینلند و با استفاده از چاه‌‌نگارها و داده‌های مغزه موجود، دو چاه در یکی از مخازن نفتی جنوب ایران زون‌بندی و راک‌تایپ‌های پتروفیزیکی به‏خوبی از یک‏دیگر تفکیک شدند.
 

کلیدواژه‌ها


عنوان مقاله [English]

Reservoir Rock Type Identification Using Gustafson Kessel Algorithm and LOLIMOT Estimator

نویسندگان [English]

  • Mehrnoosh Alipour Shahsavari
  • Hossein Memarian
  • Behzad Tokhmchi
  • Sareh Sadigh
School of Mining Engineering, Faculty of Engineering, Tehran University, Iran
چکیده [English]

Identifying reservoir rock types or a petrophysical rock type is separating a reservoir to homogeneous part based on petrophysical characterization like porosity and permeability. There are different ways to study the reservoir or petrophysical rock types like; Winland’s equation, Pittman’s equation and rock quality index. For detecting and separating reservoir zones based on these properties, we need core data but in most wells even if in all parts of one well, there is no way to coring. Nevertheless, logging will do in all wells. Because of that, finding some ways to estimate porosity and permeability using other available properties is very important. In this assay, for studying the efficiency of the local linear model tree (LOLIMOT) neuro-fuzzy system in detecting petrophysical rock types, we compare the achieved result with the core analysis and MLP neural network algorithm. Based on the results, the local linear model tree (LOLIMOT) neuro-fuzzy system has great sufficiency in reservoir zoning because this method uses a divided and conquer strategy.  Besides, this for decreasing the efficiency of this method and studying the effect of homogenization of data on the result, the data were clustered with Gustafson Kessel clustering method before using the neuro-fuzzy system. According to the results, zoning petroleum reserviors will be done based on petrophsical rock type with higher accuracy. Finally, in this study, based on Winland’s equation and using well logs and core  analyses, 2 wells in one of the reservoirs in south part of Iran were clustered, and thereby zoning and petrophysical rock types were well detected and separated from each other.
 

کلیدواژه‌ها [English]

  • Reservoir Zonation
  • Petrophysical Rock Types
  • Winland’s Equation
  • LOLIMOT
  • Gustafson Kessel Clustering

[1]. http://www.glossary.oilfield.slb.com, Accessed on Aug. 2012.##

[2]. Potter G. “Core analysis uncertainty and rock typing,” SPWLA Carbonate Workshop, Abu Dhabi, February, Hoston, 2010.##

[3]. Cheng F., Ramachandran K., and Contreras D., “Comparison of petrophysical rock Types from core and well-logs using post-stack 3D seismic data: field example from maracaibo-venezuela,” SEG Annual Meeting, 2008.##

[4]. Gholami V. and Mohaghegh S., “Intelligent upscaling of static and dynamic reservoir properties,” SPE 124477. SPE Annual Technical Conference and Exhibition, New Orleans, Louisiana, USA Oct. 4-7, 2009.##

[5]. Vahrenkamp V. C. and Creusen A., “The Role of sedimentary fabric for rock typing and model upscaling in carbonate reservoir,” AAPG Annual Convention and Exhibition, New Orleans, Louisiana, USA, Apr. 11-14, 2010.##

[6]. Skalinski M. and Kenter J. A. M., “Carbonate petrophysical rock typing: integrating geological attributes and petrophysical properties while linking with dynamic behavior,” Adapted from extended abstract prepared in conjucation with poster presentation at AAPG Hedberg Conference, Fundamental Controls on Flow in Carbonates, July 8-13, 2012, Saint-Cyr sur Mer, Provence, France, 2013.##

[7]. Porras J. C. and Campos O., “Rock typing: a key approach for petrophysical characterization and definition of flow units, Santa Barbara Field, Eastern Venezuela Basin,” SPE Latin American and Caribbean Petroleum Engineering Conference, Buenos Aires, Argentina, 25-28 March, P 6, 2001.##

[8]. Nelles O., Fink A. and Iserman R., “Local linear model tree (LOLIMOT) toolbox for nonlinear system identification,” Proceeding of The 12th IFAC Symposium on system identification, Santa Barbara, Calif, 2000. ##

[9]. جودی ن. و بیگلو م. "مدل‌سازی و شبیه‌سازی محتوای کربن آلی با استفاده از چاه‌نمودارهای پتروفیزیکی به وسیله الگوریتم لولیموت در شیل‌های گازی"، پایان‌نامه کارشناسی ارشد، دانشکده مهندسی معدن، نفت و ژئوفیزیک، دانشگاه صنعتی شاهرود. 1391.##

[10]. Hartmann B., Nelles, O. and Skrjanc, I., “Recent partitioning strategies for local model networks,” Talk at 2nd Workshop Model-Based Calibration Methods, TU Wien, September 2011.##

[12]. Bishop C. M., Neural Networks for Pattern Recognition, London, Oxford University Press, 1995.##

[13]. Alpaydin E. “Introduction to machine learning,” MIT Press, London, UK, 2004. ##

[14]. Hartmann B. and Nelles O., “On the smoothness in local model networks,” In American Control Conference, IEEE, ACC›09, pp. 3573-3578, 2009.##

[15]. Nelles O., “Nonlinear system identification with local linear neuro-fuzzy model,” Ph.D. Thesis, TU Darmstadt, 1999.##

[16]. Klawonn F. and Höppner F., “What is fuzzy about fuzzy clustering? understanding and improving the concept of the fuzzifier,” Advances in Intelligent Data Analysis V, Berlin, Springer, pp. 254-264, 2003.##

[17]. Kovács F., Legány C. and Babos A., “Cluster validity mmeasurement techniques,” 6th International Symposium of Hungarian Researchers on Computational Intelligence, 2005.##

[18]. Reseach Institude of Petroleum Industry. Reservoir Geology of the Azadegan Field, Exploration and Production Division, 2005.##