20159

17395

كارشناسي ارشد

اكتشاف نفت

اصفهان : دانشگاه صنعتي اصفهان

1403

چهارده، 88 ص. : مصور، جدول، نمودار

1403/12/13

كتابنامه

مهندسي نفت

مهندسي معدن

1403/12/13

23117925

چكيده نمودار رزونانس مغناطيسي هسته‌اي يكي از ابزارهاي بسيار موثر در استخراج پارامترهاي پتروفيزيكي مخزن از جمله تخلخل، تراوايي، درجه اشباع سيالات، توزيع اندازه‌ي حفرات و نوع سيالات است. با توجه به ارتباط نزديك بين تغييرات غيرعادي فشار حفره‌اي با افزايش ميزان رس و كاهش تراوايي، داده‌هاي رزونانس مغناطيسي هسته‌اي مي‌توانند به شناسايي و تخمين فشار حفره‌اي كمك كنند. در مطالعه‌ي حاضر كه بر روي مخزن ماسه سنگي بورگان واقع در ميدان بينالود انجام شد، ابتدا با وارون‌سازي سري‌هاي زماني استراحت عرضي رزونانس مغناطيسي هسته‌اي در اعماق 2179 تا 2275 متري چاه شماره 6 بينالود، مقادير تخلخل كل محاسبه شد. مقادير تخلخل كل با تخلخل چگالي در اعماق فاقد ريزش مقايسه شد و از نو تعداد سبدها و ضريب منظم‌سازي در وارون‌سازي داده‌هاي رزونانس مغناطيسي ‌هسته‌اي اصلاح شد، به گونه‌اي كه حداكثر انطباق بين تخلخل كل رزونانس مغناطيسي ‌هسته‌اي و تخلخل چگالي در اعماق ياد شده به دست آمد. سپس تخلخل موثر با فرض زمان قطع 33 ميلي ثانيه براي تفكيك سيال آزاد از آب مويينگي به دست آمد. با در دست داشتن تخلخل موثر، مقادير تراوايي با استفاده از روابط تيمور -كوتس و دال- شلومبرژه محاسبه شد. درگام بعد با محاسبه‌ي انديس كيفيت مخزن و شاخص زون جرياني و ترسيم نمودار شاخص تجمعي نرمال شده كيفيت مخزن، زون‌بندي هيدروليكي چاه انجام شده و هفت زون هيدروليك شناسايي شدند. در ادامه با هدف شناسايي اعماق داراي فشار حفره‌اي غيرعادي، داده‌هاي كندي فشارشي مورد بررسي قرار گرفتند. اين بررسي نشان داد كه تا اعماق كمتر از 1600 متر، كندي فشارشي داراي روند كاهشي بوده و سپس روندي افزايشي نشان مي‌دهد. همين مساله نشان مي‌دهد كه به طور احتمالي در اعماق بيشتر با پديده فرافشار مواجه هستم. پس براي تعيين فشار حفره‌اي در تمام عمق‌هاي چاه توسط رابطه ايتون اقدام شد. اما با توجه به اين‌كه رزلوشن داده‌هاي رزونانس مغناطيسي‌هسته‌اي بيش از رزلوشن داده‌هاي كندي فشارشي بود، ابتدا از داده‌هاي رزونانس مغناطيسي‌هسته‌اي و آموزش شبكه‌ي عصبي پرسپترون چندلايه براي تخمين كندي فشارشي در تعداد اعماق بيشتر و به منظور افزايش رزلوشن استفاده شد. شبكه عصبي با آموزش توسط اطلاعات متنوع داده‌هاي نمودار رزونانس مغناطيسي‌هسته‌اي به همراه اطلاعات نمودار قطرسنجي و داده‌هاي كندي فشارشي نمودار صوتي _برشي دوقطبي به عنوان هدف، توانست كندي فشارشي را براي تمامي عمق‌هاي داده‌هاي رزونانس مغناطيسي‌هسته‌اي در 43437 نقطه از طول چاه محاسبه كند. صحت‌سنجي شبكه، مربع ضريب همبستگي 84/0 را بين كندي فشارشي به دست آمده از شبكه عصبي و مقادير كندي فشارشي اصلي اندازه گيري شده از نمودارتصويربردار صوتي _برشي دوقطبي نشان داد. سپس با استفاده از معادله ايتون و با داشتن فشار حفره‌اي داده‌هاي نمودار MDT در16 نقطه، توان نسبت كندي عادي به كندي موجود در معادله‌ي ايتون با روش حل حداقل مربعات برابر 1/0 تخمين زده شد. در ادامه، با استفاده از توان ياد شده و داشتن داده‌هاي كندي فشارشي، فشارحفره‌اي در سرتاسر چاه به دست آمد. نمودار فشار حفره‌اي به دست آمده با شاخص تجمعي نرمال شده كيفيت مخزن، انطباق معناداري را نشان داد. همچنين، نمودار فشار حفره‌اي تخمين زده شده نشان دهنده شرايط فشار نرمال تا حدود عمق 1400 متري بوده و سپس يك پديده ي فروفشار ضعيف با حداكثر تغييرات psi 100 تا عمق 1750 متري و سپس رفتار فرافشار با حداكثر تغييرات psi400 نسبت به فشارنرمال را تا انتهاي چاه در عمق 2300 متري نشان داد. پديده‌ي فرافشار يادشده به صورت غير يكنواخت تا كف چاه ادامه دارد. در ادامه، مقايسه‌ي حجم شيل و نسبت توريم به پتاسيم با تغييرات فشارحفره‌اي نشان داد كه همبستگي معناداري بين اين دو كميت و فشارحفره‌اي برقرار مي‌باشد. همچنين وجود پديده‌هاي فرافشار و فروفشار و ارتباط آن با تغييرات شديد نسبت توريم به پتاسيم تاثير حضور گسل‌ها در تغيير فشار حفره‌اي را نشان داد. وجود گسل‌هاي يادشده با بررسي نمودار‌هاي قطرسنجي تائيد شد. كليدواژه: نمودار رزونانس مغناطيسي‌هسته‌اي، نمودار MDT، كندي فشارشي، زون بندي هيدروليكي، فشارحفره‌اي، شبكه‌‌هاي عصبي

Abstract The nuclear magnetic resonance (NMR) log is a highly effective tool for extracting reservoir petrophysical parameters, including porosity, permeability, fluid saturation, pore size distribution, and fluid types. Given the close relationship between abnormal pore pressure variations, increased clay content, and reduced permeability, NMR data can assist in identifying and estimating pore pressure. This study focuses on the Burgan sandstone reservoir in the Binaloud field. Initially, total porosity values were calculated by inverting transverse relaxation time series from NMR logs at depths ranging from 2179 to 2275 meters in Well No. 6 of Binaloud. The total porosity values were compared with density porosity in non-collapse depths, leading to a refinement of the number of bins and regularization coefficient in the NMR inversion process. This optimization ensured maximum alignment between NMR total porosity and density porosity at the studied depths. Subsequently, effective porosity was obtained by assuming a cutoff time of 33 milliseconds to differentiate free fluid from capillary-bound water. Using the effective porosity, permeability was calculated based on Timur-Coates and Schlumberger-Doll relationships. Next, reservoir quality index (RQI) and flow zone index (FZI) were determined, and a cumulative normalized reservoir quality index plot was generated, leading to hydraulic zonation of the well and identification of seven hydraulic zones. To detect depths with abnormal pore pressure, compressional slowness data were analyzed. The analysis revealed a decreasing trend in compressional slowness up to a depth of 1600 meters, followed by an increasing trend, suggesting the presence of overpressure at greater depths. Consequently, Eaton's equation was used to estimate pore pressure across the entire well. However, since NMR data had a higher resolution than compressional slowness data, a multilayer perceptron (MLP) neural network was trained using NMR data to estimate compressional slowness at a higher depth resolution. The neural network, trained with diverse NMR log data alongside caliper log and dipole sonic shear slowness data as the target, successfully estimated compressional slowness at 43,437 points along the well. The validation process showed a correlation coefficient (R²) of 0.84 between the neural network's predicted compressional slowness and the actual values from dipole sonic shear slowness logs. Using Eaton's equation and MDT log-derived pore pressure values at 16 points, the exponent in Eaton’s equation, representing the ratio of normal slowness to existing slowness, was estimated as 0.1 through the least squares method. Applying this exponent and the available compressional slowness data, pore pressure was determined across the entire well. The obtained pore pressure profile showed a significant correlation with the cumulative normalized reservoir quality index. The estimated pore pressure curve indicated normal pressure conditions up to approximately 1400 meters, followed by a weak underpressure phenomenon with a maximum deviation of 100 psi up to 1750 meters. Beyond this depth, an overpressure regime emerged, reaching a maximum deviation of 400 psi from normal pressure up to the well’s total depth of 2300 meters. This overpressure phenomenon persisted non-uniformly toward the bottom of the well. A comparison between shale volume, thorium-to-potassium ratio, and pore pressure variations demonstrated a significant correlation between these parameters and pore pressure. Furthermore, the presence of overpressure and underpressure zones, along with sharp thorium-to-potassium ratio variations, suggested fault-induced pore pressure changes. The existence of these faults was confirmed through caliper log analysis. **Keywords:** Nuclear Magnetic Resonance (NMR) Log, MDT Log, Compressional Slowness, Hydraulic Zonation, Pore Pressure, Neural Networks

محمد ابطحي فروشاني , نادر فتحيان پور

بيتا ارباب

علي كدخدايي , حمزه صادقي سرخني