11638

10686

كارشناسي ارشد

اكتشاف

اصفهان: دانشگاه صنعتي اصفهان، دانشكده معدن

1395

ت،78ص.: مصور،جدول،نقشه (رنگي)،نمودار

ص.ع.به فارسي و انگليسي

نادر فتحيان پور، مرتضي طبايي

احمدرضا مختاري، رسول اميرفتاحي

1395/08/05

مهندسي معدن

ID10686

1 چكيده تخمين پارامترهاي پتروفيزيكي مخزن نظير تخلخل نفوذپذيري و اشباع آب براي ارزيابي ذخيره هيدروكربني از اهميت خاصي برخوردار است عليرغم پيشرفتهاي صورت گرفته و همچنين گوناگوني روشهاي موجود براي تعيين نفوذپذيري همچنان دقيقترين راه آزمايش بر روي مغزه است كه مستلزم صرف هزينه و وقت بسيار زيادي است در ميان اين روشها چاه آزمايي قادر به تخمين مناسبي از نفوذپذيري است بااينحال در يك سري مخازن اين روش نيز با مشكالت فراواني مواجه است به دليل موجود بودن دادههاي چاهنگاري در اغلب چاههاي حفر شده بايد بتوان نفوذپذيري را با روشي ارزانقيمت از روي دادههاي چاهنگاري با دقت كافي تخمين زد هدف از اين تحقيق تعيين نفوذپذيري با استفاده از دادههاي چاهنگاري به كمك روشهاي هوشمند شبكه عصبي و شبكه موجك است در ابتدا بهمنظور حذف دادههاي پرت و شناخت الگوهاي رفتاري دادهها اقدام به پيشپردازش و انجام مطالعات آماري چند متغيره بين دادههاي ورودي و خروجي شد سپس با استفاده از دادههاي چاهنگاري و پارامترهاي تخميني بهعنوان ورودي و مقادير نفوذپذيري مغزههاي حفاري بهعنوان خروجي اقدام به ايجاد و آموزش شبكه عصبي كالسيك و شبكه موجك جهت تخمين نفوذپذيري شد نتايج نشان داد كه شبكه عصبي كالسيك با ساختار يك اليه پنهان داراي كارايي بيشتري نسبت به شبكههاي با چند اليه پنهان است بهترين شبكه جهت تخمين نفوذپذيري متشكل از 11 ورودي تعيين شد و تطابق بين خروجي شبكه با 72 نرون در يك اليه پنهان و دادههاي مغزه در مرحله آموزش 29 و در مرحله آزمون 57 بود بهترين شبكه موجك جهت تخمين نفوذپذيري متشكل از 11 ورودي و تطابق بين خروجي شبكه با 82 نرون در اليه پنهان و دادههاي مغزه در مرحله آموزش 99 و در مرحله آزمون 49 بود كه نتيجه بسيار قابلقبولي ارزيابي ميشود مقايسه نتايج حاصل از اين دو روش نشان داد كه شبكههاي موجك به دليل توانمندي مدل كردن تغييرات محلي با مقياسهاي مختلف قدرت باالتري در تخمين نفوذپذيري براي مناطق با تغييرات شديد و محلي دارد كلمات كليدي آسماري شبكه عصبي كالسيك موجك شبكه موجك نفوذپذيري

AbstractEstimating the petrophysic parameters of reservoir such as porosity permeability and watersaturation for evaluation of hydrocarbon reserve is very important Despite the developmentsand the variety of current approaches for determining permeability is steel the most accurateway to experiment on core which is so time and money consuming Among these approacheswell logging is able to estimate the permeability properly However this approach encounterslots of problems in some reservoirs Because of the existence of well logging data for most ofwells it is better to be able to estimate permeability with an adequate accuracy via a cheaperapproach using well logging data The aim of this research is determining permeability using well logging data with neural networkand wavelet network approaches Preprocessing and multivariate statistical studies betweeninput and output data was first done in order to eliminate outlier data and to recognize datapatterns Then using well logging data and estimating parameters as input and core permeabilityvalues as target ANN and WNN were created and trained to estimate permeability The resultsshowed that ANN with one hidden layer is more efficient than ANN with more hidden layers The best network to estimate permeability was made of 11 inputs and the overall fitting betweenthe predicted permeability by network with 27 neurons in one hidden layer and measured coredata was 92 in the training phase and 75 in the test phase The best WNN to estimatepermeability was made of 11 inputs and the overall fitting between the predicted permeabilityby network with 28 neurons in hidden layer and measured core data was 99 in the trainingphase and 94 in the test phase which is very acceptable Comparison between the results ofthese two approaches showed that WNNs because of the ability to model local variations withdifferent scales are more efficient in estimating permeability for regions with severe and localvariations Keywords Asmari neural network wavelet wavelet network permeability

نادر فتحيان پور، مرتضي طبايي

احمدرضا مختاري، رسول اميرفتاحي