توصيفگر ها :
فشار منفذي , ميدان كوپال , وارون سازي لرزه اي , رگرسيون چند نشانگري , شبكه عصبي PNN , شبكه عصبي MLFN
چكيده فارسي :
فشار منفذي يكي از مه مترين كمي تهاي پتروفيزيكي براي طراحي حفاري و بهره برداري از مخازن نفت و گاز محسوب ميشود .
روشهاي متعددي براي محاسبه فشار منفذي در دسترس است كه هر كدام مزايا و معايب خاص خود را دارد. يكي از كاربرديترين
روشهاي تخمين فشار منفذي، استفاده از دادههاي لرز هاي براي تخمين فشار منفذي ميباشد. اما تعيين چگالي با استفاده از داده
لرزهاي و استفاده از آن در معادلات مشهور ايتون و باورز، عموما با خطاي قابل توجهي در زمينه تعيين زونهاي داراي فشار منفذي
غير عادي همراه است. همچنين انداز هگيري فشار منفذي به طور مستقيم نيز كاري پر هزينه است. در مطالعه حاضر، پيشنهاد شد در
مواردي كه ميدان نفتي و گازي در حال بهره برداري وجود دارد، ميتوان با استفاده از دادههاي فشار سنجي موجود از چاههاي در
حال بهره برداري و تلفيق آنها با دادههاي لرزهاي در همان ميدان، مقدار فشار منفذي در كل سازند مخزني را محاسبه نمود. در اين
راستا، از دادههاي لرزهاي سه بعدي پس از انبارش و دادههاي فشار سنجي چهار حلقه چاه در حال بهره برداري در ميدان كوپال
استفاده شد. به اين منظور ابتدا با محاسبه موجك لرزهاي غالب با روش آماري، براي انجام وارون سازي دادههاي لرزهاي به روش
مبتني بر مدل استفاده شد. انجام وارونسازي لرزهاي، امپدانس صوتي در سراسر محدوده مخزن آسماري در ميدان مورد مطالعه را
فراهم نمود. در مرحله بعد، با استفاده از امپدان س صوتي تخمين زده شده در مرحله قبل به عنوان يك نشانگر لرزهاي، از آن در كنار
ساير نشانگرهاي لرزهاي و اطلاعات فشار سه حلقه چاه از چهار حلقه چاه موجود براي تخمين مدل فشار منفذي با استفاده از روش
رگرسيون چند نشانگري استفاده شد. از ميان نشانگرهاي استفاده شده در اين تخمين، 5 نشانگر و از جمله امپدانس صوتي به عنوان
نشانگرهاي مناسب براي تخمين فشار منفذي شناسايي شدند. سپس از نشانگرهاي مناس ب و داد ههاي فشارسنجي در سه حلقه چاه
ياد شده، شبكههاي عصبي PNN و MLFN طراحي و آموزش داده شدند. ميزان همبستگي اعتبارسنجي در روش رگرسيون چند
نشانگري %85/9 با ميزان متوسط خطاي نسبي تخمين % 15 / 3 ، به دست آمد. همچنين ميزان تغييرات فشار منفذي در مقاطع زماني
مختلف بررسي گرديد. ميزان تغيير فشار به روش رگرسيون چند نشانگري در مقطع زماني ms 1950 از 3900 تا psi 4200 ، در
مقطع زماني ms 2050 از 3980 تا psi4600 و در مقطع زماني ms 2150 از 4100 تا psi 4600 متغير است. ميزان همبستگي اعتبار
سنجي و متوسط خطاي نسبي تخمين براي روش PNN به ترتيب % 7 / 77 و % 3 / 3 و در روش MLFN 6% / 87 و % 89 / 2 شد. همچنين
ميزان تغيير فشار به روش PNN در مقطع زماني ms 1950 از 3900 تا psi 4190 ، در مقطع زماني ms 2050 از 4000 تا psi4520
و در مقطع زماني ms2150 از 4070 تا psi 4600 متغير اس ت و ميزان تغيير فشار به روش MLFN در مقطع زماني ms 1950 از
3900 تا psi 4170 ، در مقطع زماني ms2050 از 3980 تا psi4600 و در مقطع زماني ms 2150 از 4150 تا psi 4600 متغير است .
بررسي مدلهاي فشار منفذي تخمين زده شده با استفاده از هر سه روش، اح تمال وجود زو نهاي داراي فشار منفذي غير عادي بالا
را تاييد كرد. با توجه به خطاهاي اعتبار سنجي و مقايسه با دادههاي فشار سنجي در چهارمين چاه كه به عنوان شاهد استفاده شده و
در محاسبات شركت نكرده بود، نشان داد كه با استفاده از روش MLFN مدل فشار منفذي دقيقتري در سازند آسماري را ميتوان
تخمين زد .
چكيده انگليسي :
Pore pressure is one of the most critical petrophysical quantities for the drilling design and extracting oil and gas from the reservoirs. Several methods are available to calculate pore pressure, each with its advantages and disadvantages. One of the most practical methods of pore pressure estimation is using seismic data to estimate pore pressure. However, density determination using seismic data and its use in the famous Eaton and Bowers equations is generally associated with a significant error in determining zones with abnormal pore pressure. Also, direct measurement pore pressure is expensive. the present study suggests that in cases with an oil and gas field in operation, it is possible to use the existing pressure measurement data from the wells and combine them with seismic data in the same area, calculating the pore pressure in all reservoir formation. In this regard, 3D seismic data post-stack and pressure measurement data of four wells in operation in the Kupal field were used. For this purpose, first, the model-based method was used to invert the seismic data by calculating the dominant seismic wavelet by statistical method. Seismic inversion provided acoustic impedance throughout the area of the Asmari reservoir in the studied field. In the next step, using the acoustic impedance estimated in the previous step as a seismic attribute, it is used along with other seismic attributes and the pressure information of three wells out of the four available wells to estimate the pore pressure model using the Multiple regression method was used. Among the attributes used in this estimation, 5 attributes, including acoustic impedance, were identified as suitable for estimating pore pressure. Then, PNN and MLFN neural networks were designed and trained from appropriate attributes and pressure measurement data in the three mentioned wells. The validation of the correlation rate in the multi-attribute regression method was 85.9%, with an average relative error of 3.15%. Also, the variation of pore pressure with seismic two-way traveling time was investigated. The amount of pressure change by multi-attribute regression method ranges from 3900 to 4200 psi in 1950 ms, 3980 to 4600 psi in 2050 ms, and 4100 to 4600 psi in 2150 ms. Validation correlation and average relative error of estimation for the PNN method were 77.7% and 3.3%, respectively; and in the MLFN method, they were 87.6% and 2.89%. Also, the amount of pressure change by the PNN method varies from 3900 to 4190 psi at the time point 1950 ms, from 4000 to 4520 psi at the time point 2050 ms, and from 4070 to 4600 psi at the time point 2150 ms, and the amount of pressure change by the MLFN method at the time point 1950 ms ranges from 3900 to 4170 psi, in 2050 ms from 3980 to 4600 psi, and 2150 ms from 4150 to 4600 psi. Examining the estimated pore pressure models using all three methods confirmed the possibility of zones with abnormally high pore pressure. Considering the validation errors and comparison with the pressure measurement data in the fourth well, which was used as a control and did not participate in the calculations, it showed that a more accurate pore pressure model could be estimated in the Asmari Formation by using the MLFN method.
