20075

۲۰۰۷۵

پيش بيني تراوايي و ليتولوژي سنگ مخزن با استفاده از روشهاي داده-محور

كارشناسي ارشد

مهندسي مخازن هيدروكربوري

۹۷-۹۸

۱۳۹۷/۹/۲۸

محمدتقي صادقي

مهندسي شيمي، نفت و گاز

تراوايي و ليتولوژي پارامترهاي كليدي در ارتباط با تعيين ويژگي‌هاي مخزن هستند. در حقيقت راه‌حلهاي دقيقي براي مسائل مهندسي مخزن بدون دسترسي به اطلاعات دقيق تراوايي و ليتولوژي وجود ندارد. تا كنون صنعت نفت سعي بر آن داشته است كه مقادير تراوايي را از طريق اندازهگيريهاي آزمايشگاهي و يا از طريق چاه آزمايي به دست آورد. اگرچه موارد مذكور به عنوان راه حل ارائه شده‌اند ولي روشهايي كافي و مطمئن براي توصيف مخزن نميباشند و هزينه زياد و مشكلات عملياتي به همراه دارند. از طرف ديگر نمودارهاي چاه‌پيمايي و داده‌هاي آناليز مغزه براي تخمين تراوايي مورد استفاده قرار گرفته است، اما به واسطه روابط تجربي موجود، اين الگو هميشه دربرگيرنده نتايج دقيق و كافي نبوده است. هم‌چنين براي تعيين و توصيف ليتولوژي سنگ مخزن نيز از روش‌هايي نظير مشاهده مستقيم مغزه، توصيف نمودارهاي چاه‌پيمايي و داده‌هاي لرزه نگاري استفاده مي‌شود. علي‌رغم محدوديتهاي موجود، مطالعات اخير نشان داده است كه برخي روابط تجربي بين تراوايي، ليتولوژي و بعضي از خصوصيات پتروفيزيكي وجود دارند. روش‌هاي رگرسيوني زيادي براي تعيين اين رابطه استفاده شده‌اند اما از دقت كافي برخوردار نبوده‌اند. در اين ميان الگوريتمهاي هوش مصنوعي، به عنوان ابزارهاي مطمئن در تشخيص روابط غيرخطي، براي تخمين مقادير تراوايي و توصيف ليتولوژي با استفاده از داده‌هاي نمودارهاي چاه و تحليل مغزه مورد استفاده قرارگرفتهاند. نتايج تحقيقات صورت گرفته نشان مي‌دهد كه اين روش نسبت به روش‌هاي ديگر تعيين تراوايي از سرعت بيشتري برخودار است. همچنين، هزينه آن بسيار پايين است و دقت آن با روش‌هاي دقيق، مانند آناليز مغزه، قابل مقايسه مي‌باشد. در اين پايان نامه از داده‌هاي نمودارگيري و مغزههاي حاصله از چهار حلقه چاه در يكي از مخازن جنوب غربي ايران براي ساخت مدل‌هاي داده-محور جهت تخمين تراوايي و ليتولوژي استفاده گرديد. از داده‌هاي سه حلقه چاه براي آموزش مدل‌ها و از داده‌هاي چاه چهارم براي اعتبارسنجي آن‌ها استفاده شد و مدل‌هاي مورد استفاده سيستم استنتاج عصبي-فازي و ماشين بردار پشتيبان بود. نتايج نشان مي‌دهد كه مدل استنتاج عصبي-فازي در پيش بيني تراوايي و مدل ماشين بردار پشتيبان در پيش بيني ليتولوژي عملكرد بهتري دارد. ضريب همبستگي براي مدل ماشين بردار پشتيبان براي پيش بيني ليتولوژي در بهترين عملكرد خود 92/0 و براي مدل استنتاج عصبي-فازي در پيش بيني تراوايي نيز 99/0 است.

1397/12/03

Using data-driven models for reservoir rock permeability and lithology prediction

12/19/2019 12:00:00 AM

Permeabilty and lithology are key parameters related to reservoir properties. In fact, there are no precise solutions to reservoir engineering issues without access to accurate permeability and lithology information. So far, the oil industry has been trying to achieve permeability values through laboratory measurements or through well tests. Although these are presented as solutions, these do not have sufficient and reliable methods to describe the reservoir and have operational problems with. On the other hand, well logs and core analysis data have been used to estimate permeability, but due to existing empirical relationships, this pattern has always not been accurate and adequate. Also, to determine and describe the lithology of the reservoir rock, methods such as direct observation of the core, well logs analysis, and seismic data are used. Despite the limitations, recent studies have shown that there are some empirical relationships between permeability, lithology, and some petrophysical characteristics. Many regression methods have been used to determine this relationship, but they have not been sufficiently precise. In this regard, artificial intelligence algorithms have been used as reliable tools in detecting nonlinear relationships to estimate permeability and lithology descriptions using data from well logs and core analysis. The results of the research show that this method is faster than other methods of determining the permeability. Also, its cost is very low and its precision is comparable with precise methods, such as core analysis In this thesis, well logs and cores data obtained from four wells in one of the southwest reservoirs of Iran have been used to construct data-driven models for estimating permeability and lithology. The data from three wells were used to train the models and the fourth well data was used to validate them. The models used were adaptive neuro-fuzzy inference system and support vector machine. The results show that the neural-fuzzy inference model has better performance in prediction of permeability and support vector machine model in prediction of lithology, so that in the validation step, the regression coefficient is close to one.