شبیه‌سازی نگار فوتوالکتریک سازندهای نفتی به‌کمک شبکه‌های عصبی مصنوعی

نوع مقاله : پژوهشی

نویسندگان

دانشکده مهندسی معدن و ژئوفیزیک دانشگاه صنعتی شاهرود، صندوق پستی 316

چکیده

تعیین پارامترهای متفاوت پتروفیزیکی و بررسی وضعیت سنگ‌شناسی سازندهای زیرسطحی در ارزیابی مخازن هیدروکربوری از اهمیت زیادی برخوردار است که تواماً با حفاری‌های اکتشافی و بیشتر با چاه‌نگاری صورت می‌گیرد. از بین نگارهای متفاوت چاه، نگار فوتوالکتریک یکی از با اهمیت‌ترین آنها است که به‌کمک آن می‌توان جنس سازندهای متفاوت مورد نظر در کاوش‌های هیدروکربوری را تعیین کرد. از آنجا که چنین نموداری برای اغلب چاه‌های مناطق نفتی کشورمان در اختیار نیست، به پیش‌بینی آنها نیاز فراوانی وجود دارد. در این مطالعه هدف اصلی آن است تا با بهره‌گیری از روش بهینه‌سازی غیرخطی به‌نام شبکه‌های عصبی مصنوعی، تا حدود زیادی بر این مشکل غلبه شود. برای نیل به این هدف از شبکه پرسپترون با الگوریتم پس‌انتشار خطا برای یافتن روابط موجود بین هفت نگار متفاوت چاه و نگار فوتوالکتریک پنج حلقه چاه مخزن آسماری میدان نفتی اهواز استفاده می‌شود. داده‌های خام مربوط به نگارهای متفاوت سه چاه برای مراحل مختلف یادگیری و ارزیابی شبکه به سه دسته آموزشی، آزمایشی و آزمون تقسیم‌بندی می‌شود و پس از طراحی شبکه مناسب به‌صورت تکی و ترکیبی مورد آموزش و آزمایش قرار می‌گیرد. سپس با داده‌های سری آزمون توانایی شبکه در برآورد نتایج بررسی می‌شود. داده‌های دو چاه دیگر درحکم دو مجموعه مستقل نگهداری می‌شود و از آنها در ارزیابی توانایی‌ شبکه در تعمیم و پیش‌بینی نگار فوتوالکتریک استفاده شده است. نتایج نشان می‌دهد که شبکه طراحی شده پرسپترون سه لایه‌ای با ساختار 1-10-7 و الگوریتم پس‌انتشار خطا که دارای هفت نرون در لایه ورودی، ده نرون در لایه میانی و یک نرون در لایه خروجی است، می‌تواند با دقت زیادی، نگار فوتوالکتریک چاه‌های مورد نظر در منطقة مورد مطالعه را برآورد و بازسازی کند، به نحوی که نتایج حاصل از شبکه دارای هماهنگی و تطابق خوبی با نگار واقعی فوتوالکتریک اندازه‌گیری باشند.

کلیدواژه‌ها


عنوان مقاله [English]

Simulation of photoelectric log in oil-bearing formation using artificial neural network■

نویسندگان [English]

  • Ali Moradzadeh
  • Elham Bakhshi
Faculty of Mining and Geophysics, Shahrood University of Technology, Shahrood, Iran
چکیده [English]

Estimating of various petrophysical parameters and determining of subsurface geology is very important in petroleum reservoir evaluation. Exploration drilling and various well logs normally provide this sort of information. Among the various well logs, the photoelectric (PEF) log is very important as it able to determine the lithology of the reservoir precisely. Therefore for those wells for which this log is not available it is necessary to predict them somehow. In this study it is aimed to use artificial neural network (ANN) ability to tackle this problem. To achieve the goals, a back-propagation ANN (BP-ANN) is planned to model the interrelationships between seven different well logs, and PEF logs. Data from three wells in the Ahvaz oil field (Asmari reservoir) are organized into training, testing and validation data sets for BP-ANN modeling. Data of the fourth and the fifth wells in the same field are retained as independent data sets for evaluating the ability of the network PEF prediction. Once the designed network has been trained properly, its performance has also been tested. When it has been found that the performance is satisfactory the data set of the fourth and the fifth wells are applied to the trained network. The results of the ANN modeling show that the designed network with three layers and architecture of 7-10-1 can produce the precise PEF log that compares well with the measured PEF logs. This means that the designed network is capable enough to predict the PEF logs for the required wells in the same area.

کلیدواژه‌ها [English]

  • Well logs
  • PEF log
  • ANN
  • BP-ANN
  • training and testing
  • Generalization
حبیبیان، ب.، نبی‌بیدهندی، م. و کاظم‌زاده، ع.، 1384، پیش‌بینی نفوذپذیری از روی داده‌های چاه‌نگاری با استفاده از شبکه‌های عصبی مصنوعی در یکی از مخازن کربناته جنوب ایران، مجلة فیزیک زمین و فضا، جلد 31، ص 79-86.
دشتی، ص.، 1369، مطالعه زمین‌شناسی مخزن آسماری میدان اهواز، گزارش شماره پ-4221، شرکت ملی نفت ایران، مناطق نفت‌خیز جنوب.
غفرانی، ا. و رضایی، م.، 1381، بررسی فرایند دولومیتی شدن و تأثیر آن بر کیفیت مخزن سازند آسماری در میدان اهواز، ششمین همایش انجمن زمین‌شناسی ایران، ص. 553-555 ، دانشگاه کرمان.
مرادزاده، ع. و قوامی ریابی، ر.، 1380، چاه‌پیمایی برای مهندسین. دانشگاه صنعتی شاهرود، ص 246.
منهاج، م. ب.، 1379، مبانی شبکه‌های عصبی مصنوعی، دانشگاه صنعتی امیر کبیر، ص 715.
Etnyre, L. M., 1992, Estimation of petrophysical parameters using a robust Levenberg-Marquardt procedure: Log Analyst, 33, 373-389.
Hampson, D., Schuelke, J., and Quieren, J., 2000, Use of multi-attribute transforms to predict log properties from seismic data. Geophysics, 66, 220-236.
Huang, Z., Shimeld, J., Williamson, M., and Katsube, J., 1996, Permeability prediction with artificial neural network modeling in the Venture gas field, offshore eastern Canada: Geophysics, 61, 422-436.
Liu, Z., and Liu, J., 1998, Seismic controlled nonlinear extrapolation of well parameters using neural networks: Geophysics, 63, 2035-2041.
Nikravesh, M., and Aminzadeh, F., 2001, Mining and fusion of petroleum data with fuzzy logic and neural network agents: J. Petrol. Sci. Eng. 29, 221-238.
Poulton, M. M., 2001, Computational neural networks for geophysical data processing. Pergamon, 335.
Poulton, M. M., 2002, Neural networks as an intelligence amplification tool: A review of application. Geophysics, 67, 979-993.
The Math Work, T., 2002, Manual of Matlab, The language of technical computing. The Math Work, Inc.
Walls, J., Taner, T., Taylor, G., Smith, M., Derzhi, N., Carr, M., Drummonds, J., McGuire, D., Morris, S., and Bregar, J., 2000, Seismic reservoir characterization of a mid-continent fluvial system using rock physics, post stack seismic attributes and neural networks: A case history. 69th Ann. Int. Mtg., Soc. Expl. Geophys., 1437-1439.
Zhang, Z., Zhou, Z., Frenkle, M., Chunduru, R., and Mezzatesta, A., 1999, Fast forward modeling simulation of resistivity logs using neural networks. 69th Ann. Internat. Mtg., Soc. Expl. Geophys., 124-127.
Zhang, Z., Zhou, Z., Frenkle, M., Chunduru, R., and Mezzatesta, A., 2000, Real time inversion of array resistivity logging data using dimensional reduction and neural network simulation. 70th Ann. Internat. Mtg., Soc. Expl. Geophys., 1802-1805.