f7dc9c6ab1f8c7a 8fcd9532671845f 8fcd9532671845f

تخمین شاخص بلوغ از نگارهای چاه‌پیمایی و داده‌های لرزه‌ای با بکارگیری روش بهینه‌سازی کلونی مورچگان در میدان نفتی منصوری

نوع مقاله: مقاله پژوهشی

نویسندگان

1 گروه زمین‌شناسی، دانشکده علوم، دانشگاه سیستان و بلوچستان، زاهدان، ایران

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

3 گروه زمین‌شناسی، شرکت ملی مناطق نفت‌خیز جنوب، اهواز، ایران

چکیده

بلوغ حرارتی فاکتور مهم ژئوشیمیایی در اکتشاف هیدروکربن و ارزیابی سنگ منشأ می‌باشد. بلوغ حرارتی شاخصی جهت تعیین حداکثر دما می‌باشد که سنگ منشأ طی مراحل مختلف ارزیابی هیدروکربن متحمل شده است. اندازه‌گیری این پارامتر مستلزم انجام آزمایشات ژئوشیمی بر روی کنده‌های حفاری می‌باشد که پرهزینه و وقت‌گیر است، بنابراین هدف اصلی تحقیق توسعه یک روش نوین برای تخمین مستقیم این پارامتر از نگارهای چاه‌پیمایی و داده‌های لرزه‌ای با استفاده از الگوریتم فراابتکاری به نام الگوریتم کلونی مورچگان است. در این پژوهش، داده‌های لرزه‌ای 2 بعدی و داده‌های پتروفیزیکی سازند پابده از 3 چاه میدان نفتی منصوری مورد استفاده قرار گرفت. همچنین معادله شاخص بلوغ در محل چاه‌ها جهت پیشگویی شاخص بلوغ از نگارهای چاه‌پیمایی مانند نوترون، مقاومت، صوتی و چگالی استفاده گردید. این مقادیر محاسبه شده به‌عنوان ورودی آنالیز چند نشانگری به کار گرفته شد. وارون‌سازی لرزه‌ای براساس الگوریتم شبکه عصبی به دلیل دقت بالا اجرا شد و امپدانس صوتی حاصله به‌عنوان نشانگر بیرونی به‌کار برده شد. سپس شبکه عصبی احتمالاتی با استفاده از نشانگرهای پیشگویی شده حاصل از رگرسیون چندگانه آموزش داده شد. متعاقباً شاخص بلوغ با ضریب تطابق 87% توسط نشانگرهای لرزه‌ای تخمین زده شد. در مرحله بعد، روش بهینه‌سازی کلونی مورچگان غیر‌خطی به‌عنوان ابزاری هوشمند جهت تخمین و تولید مقطع لرزه‌ای شاخص بلوغ استفاده گردید. کلونی مورچگان غیر‌خطی ضرایب وزنی را برای هر یک از نشان‌گرهای لرزه‌ای محاسبه نمود. ضریب تطابق بین داده‌های ورودی و خروجی توسط الگوریتم ژنتیک غیر‌خطی 91% تخمین زده شد. در انتها، مقطع لرزه‌ای شاخص بلوغ تولید شد. مقایسه نتایج حاصل از روش‌های  شبکه عصبی احتمالاتی و بهینه‌سازی کلونی مورچگان نشان داد که صحت مدل کلونی مورچگان بیشتر از شبکه عصبی احتمالاتی است.
 

کلیدواژه‌ها

عنوان مقاله [English]

Estimation of a Maturity Index from Well Log and Seismic Data via Ant Colony Optimization Technique in Mansuri Oil Field

نویسندگان [English]

  • Hoda Abdizadeh 1
  • Ali Ahmadi 1
  • Ali Kadkhodaie 2
  • Mohammad Hosein Heidarifard 3
1 Department of Geology, Faculty of Science, University of Sistan and Baluchestan, Zahedan, Iran
2 Department of Geology, Faculty of Natural Sciences, University of Tabriz, Iran
3 Department of Geology, National Iranian South Oil Company (NISOC), Ahvaz, Iran
چکیده [English]

Thermal maturity is the primary geological factor in petroleum exploration and source rock assessment.  Besides, Thermal maturity is an index to determine the maximum temperature that the source rock which has endured at the different stages of  an evaluation of hydrocarbon. Measurement of this parameter requires conducting geochemical analyses on cutting samples which is expensive and time consuming, therefore the main objective of the research is development of a new method for direct estimation of this parameter from well log and seismic using a metaheuristic algorithm called Ant Colony Algorithm. In this research, 2D-seismic and petrophysical data of the Pabdeh Formation from 3 wells of the Mansuri Oil field were used. Also, a Maturity Index Equation at the well location was used to predict Maturity Index values from well logs; such as, neutron, resistivity, sonic and density. These calculated values were used as inputs for a Multi Attribute Analysis. Seismic inversion was performed based on a Neural Networks Algorithm because of its high accuracy;  moreover, the resulting acoustic impedance was utilized as an external attribute. Afterwards, a Probabilistic Neural Network was trained using the set of predicting attributes derived from multiple  regressions. Subsequently, MI was estimated using seismic attributes with a correlation coefficient of 87%. In the next step, the nonlinear Ant Colony Optimization technique was utilized as an intelligent tool to estimate and product a Maturity Index seismic section. It calculates weight factors for each of seismic attributes. The correlation coefficient between the input and output data was estimated 91% by nonlinear ACO. Finally, MI seismic section was produced. The comparison of the results from PNN with ACO methods revealed that the accuracy of ACO model was higher than the PNN.
 

کلیدواژه‌ها [English]

  • Maturity Index
  • Well Logs
  • Seismic Inversion
  • Probabilistic Neural Network (PNN)
  • Ant Colony Optimization (ACO)

مراجع

[1]. Mallick R. K. and Raju S. V., “Thermal maturity evaluation by sonic log and seismic velosity analysis in parts of Upper AssamBasin, India,” Org. Geochemistry, Vol. 23, No. 10, pp. 871-879, 1995.##

[2]. Zhao H., Natalie B. G. and Brad C., “Thermal maturity of the Barnett Shale determined from well-log analysis,” AAPG Bulletin, Vol. 91, No. 4, pp. 535-549, 2007.##

[3]. Shiri M., Ranjbar Karami R., Moussavi Harami R. and Rezaee M. R., “Evaluation of organic carbon content and source rock maturity using petrophysical logs and geochemical data: Case study of horn valley siltstone source rock, amadeus basin, Central Australia,”  Journal of Zankoy Sulaimani - Part A (JZS-A), pp.145-158, 2013.##

[4]. Kamali M. R. and Mirshady A. A., “Total organic carbon content determined from well logs using ∆logR and neuro fuzzy techniques,” Journal of Petroleum Science and Engineering., Vol. 45, pp. 141–148, 2004.##

[5]. Kadkhodaie Ilkhchi A., Rahimpour Bonab H. and Rezaee M. R., “A committee machine with intelligent systems for estimation of total organic carbon content from petrophysical data: an example from Kangan and Dalan reservoirs in South Pars Gas Field, Iran,” Journal of Comput. Geosci., Vol. 35, pp. 459-474, 2009.##

[6]. Colorn A., Dorigo M., Maffioli F., Maniezzo V. and Righini G. M., “Heuristics from nature for hard combinatorial optimization problems,” Int. Trans. Oper. Res. 3, pp. 1–21, 1996.##

[7] Dorigo M. and Di Caro G., “Ant colony optimization: a new metaheuristic,” In: Proceeding of the 1999 Congress on Evolutionary Computation, Vol. 2, pp. 1470–1477, 1999.##

[8]. Dorigo M. and Stützle T., “Ant colony optimization,” MIT Press, Cambridge, MA, USA. p. 319, 2004.##

[9]. Dorigo M. and Gambardella L. M., “Ant colony system: a cooperative learning approach to the traveling salesman problem,” IEEE Transactions on Evolutionary Computation, pp. 53–66, 1997.##

[10]. Razavi S. F. and Jalali Farahani F., “Optimization and parameters estimation in petroleum engineering problems using ant colony algorithm,” Journal of Petroleum Science and Engineering, Vol.74, pp. 147-153, 2010.##

[11]. Schultz P. S., Ronen S., Hattori M. and Corbett C., “Seismic guided estimation of log properties, part 1: A data-driven interpretation technology,” The Leading Edge, Vol. 13, pp. 305–315, 1994.##

[12]. Løseth H., Wensasa L., Gading M., Duffaut K. and Springer M., “Can hydrocarbon source rocks be identified on seismic data?,” Doi: 10.1130/G32328.1., Geology, Vol. 39, pp. 1167-1170, 2011.##

[13]. Jianliang J., Zhaojun L., Qingtao M., Rong L., Pingchang S. and Yongcheng C., “Quantitative  evaluation of oil shale based on well log and 3-D seismic technique in the songliao basin, Northest China,” Estonian Academy Publishers, Vol. 29, No. 2, pp. 128-150, 2012.##

[14]. Kadkhodaie Ilkhchi A., Rezaee M. R., Rahimpour Bonab H., and Chehrazi A., “Petrophysical data prediction from seismic attributes using committee fuzzy inference system,” Computers and Geosciences, Vol. 35, No. 12, pp. 2314-2330, 2009b.##

[15]. علیزاده ب.، ولینسب ح.، کدخدائی ع.، کبرائی م.، "مقایسه داده‌های پتروفیزیکی با ژئوشیمیایی در تعیین شاخص بلوغ و کل کربن آلی،" سی و دومین گردهمایی و نخستین کنگره بین المللی تخصصی علوم زمین، شرکت ملی نفت ایران، 1392.##

[16].## “HRS User’s Guide,” 2007

[17].## “MATLAB User’s Guide,”  2009

[18]. Archie G. E., “Introduction to petrophysics of reservoir rocks,” AAPG Bulletin, Vol. 34, No. 5, pp. 943–961, 1950.##

[19]. Russell, B.H., “The application of multivariate statistics and neural networks to the prediction of reservoir parameters using seismic attributeS,” Ph.D. Dissertation, University of Calgary, Alberta, p.392, 2004.##

[20]. Taner, M.T., Schuelke, J.S., O’Doherty, R., Baysal, E., “Attributes revisited,” SEG (Society of Exploration Geophysicists) Expanded Abstracts 13, pp. 1104–1107, 1994.##

[21]. Bolandi, V., Kadkhodaie-Ilkhchi, A., Alizadeh, B., Tahmorasi, J., Farzi, R., “Source Rock characterization of the Albian Kazhdumi formation by integrating well logs and geochemical data in the Azadegan oilfield, Abadan plain, SW Iran,” Journal of Petroleum Science and Engineering, 133, 167-176, 2015.##

[22]. James, G.A., Wynd, I.O., “Stratigraphic nomenclature of Iranian oil consortium agreement area,” AAPG, Bulletin, Vol. 49, No. 12 , pp. 2182-2245, 1965.##

[23]. Toksarı M.D., “Ant colony optimization approach to estimate energy demand of Turkey,” Energy Policy, 35, 3984–3990, 2007.##

پژوهش نفت

دوره 26، 6-95 - شماره پیاپی 91
بهمن و اسفند 1395
صفحه 136-147

فایل ها

اشتراک گذاری

ارجاع به این مقاله

آمار