17526

15333

كارشناسي ارشد

اكتشاف نفت

اصفهان : دانشگاه صنعتي اصفهان

1400

ك، 117ص.: مصور،جدول، نمودار

محمد ابطحي فروشاني، حمزه صادقي سرخني

نادر فتحيان پور

محمدعلي رياحي، مرتضي طبايي

1401/02/24

كتابنامه

مهندسي نفت

مهندسي معدن

1401/02/25

2830598

يكي از اساسي‌ترين پارامترها در مدل‌سازي مخازن، تخلخل است. تعيين اين پارامتر ضروري‌ترين گام در تخمين ديگر پارامترهاي پتروفيزيكي مي‌باشد. استفاده از نمونه‌هاي مغزه و نمودارهاي چاه‌پيمايي خواص مخزني را تنها در محل چاه‌ها و محدوده اطراف آن‌ها ارائه مي‌دهد. براي رفع اين مشكل مي‌توان با تركيب داده‌هاي لرزه‌اي و اطلاعات چاه‌پيمايي، خواص مخزني را در سراسر هر ميدان نفتي برآورد كرد. در مطالعه حاضر، از داده‌هاي لرزه‌اي سه‌بعدي پيش از برانبارش مهاجرت زمان يافته و نمودارهاي چاه‌پيمايي سه حلقه چاه در يكي از ميادين جنوب‌غرب كشور استفاده گرديده است. پس از بررسي و تجزيه و تحليل داده‌هاي موجود، منطبق كردن داده‌هاي چاه و داده لرزه‌اي با استفاده از شات‌هاي كنترل صورت گرفت. سپس موجك مناسب و غالب به‌واسطه توليد لرزه‌نگاشت مصنوعي در محل چاه‌ها و مقايسه آن‌‌ها با داده‌هاي لرزه‌اي استخراج گرديد و در تمام مراحل انجام وارون‌سازي لرزه‌اي به‌كار رفت. وارون‌سازي با روش خارهاي پراكنده، باند محدود و برپايه مدل انجام شد. با توجه به نتايج، مدل امپدانس صوتي به دست آمده به روش وارون‌سازي بر پايه مدل، بيشترين همبستگي وكمترين خطا را با امپدانس صوتي به دست آمده از داده‌هاي چاه‌پيمايي در هر سه چاه نشان داد. در ادامه براي تخمين تخلخل مؤثر از دو روش رگرسيون چند نشانگري و شبكه‌هاي عصبي استفاده شد. در روش چند نشانگري با استفاده از مدل امپدانس صوتي ياد شده به عنوان يك نشانگر مهم و تلفيق آن با سايرنشانگرهاي لرزه‌اي مناسب و استخراج رابطه بين آن‌ها و تخلخل مؤثر، مدل تخلخل كلي مخزن با همبستگي اعتبار سنجي 70 درصد به دست آمد. در ادامه تخمين تخلخل با شبكه‌هاي عصبي به روش‌هاي PNN ، MLFN و RBF انجام گرفت كه اين شبكه‌ها با استفاده از امپدانس صوتي و نشانگرهاي لرزه‌اي مناسب، آموزش داده شدند و مدل تخلخل مؤثر در سازند آسماري در ميدان مورد مطالعه با اين روش‌ها نيز تخمين زده شد. مقايسه نتيجه مدل سازي تخلخل با شبكه‌هاي‌ عصبي نشان داد كه شبكه عصبيPNN بالاترين همبستگي اعتبار سنجي و به مقدار 6/75 درصد را با تخلخل اندازه‌گيري شده در محل چاه‌ها نسبت به ساير روش‌ها دارا مي‌باشد.

Porosity is one of the most basic parameters in reservoir modeling. Determination this parameter is the most necessary step in estimating other petrophysical parameters. using core samples and well logs data provides reservoir properties only at the location of the wells and their surroundings. To solve this problem, reservoir properties across each oil field can be estimated by combining seismic data and well logs information. In the present study, have been used 3D seismic and well logs data in three wells in one of the southwestern fields of the Iran. After analysis the available data, check shot correction was performed. Then a suitable wavelet was extracted by producing synthetic seismogram at the wells and comparing them with seismic data and used in all stages of seismic inversion. Inversion was performed by sparse spike, limited band and model-based methods. According to the results of the acoustic impedance model obtained by the based model inversion method, showed the highest correlation and the lowest error with the acoustic impedance obtained from the well data in all three wells. Then, to estimate the effective porosity, two methods of multi-attribute regression and neural networks were used. In the multi-attribute method, using the acoustic impedance model as an important attribute and combining it with other suitable seismic attributes and extracting the relationship between them and effective porosity, the reservoir porosity model was obtained with a validation correlation of 70%. Then, porosity estimation with neural networks was performed by PNN, MLFN and RBF methods. These networks were trained using acoustic impedance and suitable seismic attributes, and the effective porosity model in Asmari Formation in the study field was estimated by these methods. Comparison of the results of porosity modeling with neural networks showed that the PNN neural network has the highest validation correlation of 75.6% with the porosity measured at the wells compared to other methods.

محمد ابطحي فروشاني، حمزه صادقي سرخني

نادر فتحيان پور

محمدعلي رياحي، مرتضي طبايي