پیش بینی و بررسی اختصاصات مخزن با استفاده از مدل زمین آمار، مطالعه موردی: مخزن بنگستانی میدان زیلایی، جنوب¬غرب ایران
محورهای موضوعی : زمین شناسی نفتسمیه خرم آبادی 1 , بهمن سلیمانی 2 , حسین شیخ زاده 3
1 - گروه زمین شناسی، واحد مرکز تحقیقات دانشگاه آزاد تهران
2 - استاد گروه زمین شناسی نفت و حوضه های رسوبی، دانشکده علوم زمین دانشگاه شهید چمران اهواز، اهواز، ایران
3 - كارشناس ارشد مناطق نفتخیز جنوب، اهواز
کلید واژه: میدان زیلایی, اختصاصات مخزنی, مخزن بنگستان, مدل زمین آمار,
چکیده مقاله :
مدل زمین آمار ابزار مفیدی برای پیش بینی پتانسیل نفتی مخازن محسوب می شود. در مطالعه کنونی سعی بر این است که ضمن مروری بر اهمیت مدل زمین آمار در توصیف مخزن، تغییرات پارامترهای پتروفیزیکی مخزن بنگستانی میدان زیلایی را علیرغم تعداد محدود چاه¬های حفاری شده، مدل سازی و مورد بررسی قرار گیرد. این مخزن کربناته از سازندهای ایلام، سورگاه و سروک تشکیل شده و به هشت زون تقسیم گردید. در فرایند مدل¬سازی، اطلاعات مورد نیاز جهت مدل سه بعدی شامل تفاسیر ژئوفیزیکی، اطلاعات توصیف چاه، و نقشه¬های دو بعدی همراه با کنترل کیفی آنها در نرم افزار RMS وارد گردید. تهیه مدل ساختمانی بر اساس سطوح سر سازندها و عمق ورود چاه¬ها به آنها صورت گرفت. این داده¬ها به طور غیر مستقیم و یا مستقیم در نرم افزار موجود با قابلیت گرید بندی بالا جهت ایجاد سطوح استفاده گردید. نقشه همتراز عمقی سر سازند ایلام به عنوان سطح تفسیری، رقومی سازی و به عنوان نقشه کنتوری پایه در نظر گرفته شد. نقشه¬های هم تراز عمقی سایر زون¬ها نیز تهیه شد. پیش بینی الگوی توزیع تغییرات اختصاصات پتروفیزیکی مخزن با تکیه به روش¬های زمین آمار، نقشه¬های میانگین تخلخل، و اشباع آب تهیه شد. با توجه به نتایج حاصل از مدل سازی آشکار گردید که میدان زیلایی دارای پیچیدگی ساختاری بوده، ناهمگنی مخزن را موجب شده و ریسک پیش بینی رفتار مخزن را بالا برده است. مقایسه زون¬های مخزنی نشان داد که زون 3 دارای پتانسیل هیدروکربوری بهتری نسبت به سایر زون ها می¬باشد. یکی از عوامل مؤثر در بهبود کیفیت مخزنی آن، فرایند دولومیتیزاسیون است. بر اساس تغییرات مقادیر توزیعی اشباع آب و تخلخل خصوصیات مخزنی ازجنوب شرق به طرف شمال غرب میدان بهبود می¬یابد.
The geostatistical model is considered as a useful tool for predicting the oil potential of reservoirs. In the present study, an attempt is made to review the importance of the geostatistical model in the reservoir characteristics, to model and examine the changes in the petrophysical parameters of the Bangestan reservoir in the Ziloi field despite the limited number of boreholes. This carbonate reservoir consists of Ilam, Surgah and Sarvak formations and was divided into eight zones. In the modeling process, the information required for the 3D model, including geophysical interpretations, well description information, and 2D maps along with their quality control (QC), were entered into the RMS software. The construction model was prepared based on the top levels of the structures and the depth information of the wells entering the reservoir. These data were used indirectly or directly in software with high grading capability to create levels. The depth level map of the top of Ilam Formation was entered into the model as an interpretation level, digitalization and as a base contour map. Isochore maps of other zones were prepared using the depths of wells entering different parts of the reservoir. The prediction of the distribution pattern of changes in the petrophysical features of the reservoir was prepared based on geostatistical methods, average porosity maps, and water saturation. According to the results of the modeling, it was revealed that the Ziloi field has a structural complexity, caused the heterogeneity of the reservoir and increased the risk of predicting the behavior of the reservoir. Comparison of reservoir zones showed that zone 3 has better hydrocarbon potential than other zones. One of the effective factors to improve its reservoir quality is the dolomitization process. Changes in the distribution values of water saturation and porosity showed that the reservoir properties improve from the southeast to the northwest of the field.
آقانباتي، س.ع.(1383) زمين شناسي ايران .سازمان زمين شناسي و اکتشافات معدني کشور.606 صفحه.
- افشار حرب،ع (1380).زمين شناسي نفت، انتشارات دانشگاه پيام نور،178 صفحه.
_ شیخ زاده،ح. (1389).مطالعه زمین شناسی و تهیه مدل سه بعدی مخزن خامی میدان مارون،گزارش شماره م_ 6911، شرکت ملی مناطق نفت خیز جنوب ایران
- پيرامون،ا، بهمني،د،(1377).مطالعه مخزن بنگستان ميدان زيلايي،گزارش شماره پ_4775،شرکت ملي مناطق نفت خيز جنوب ايران
- خسرو تهراني،خ.(1376). کلياتي درباره چينه شناسي ايران و مقاطع تيپ تشکيلات،انتشارات دانشگاه تهران.
- درويش زاده،ع.(1370).زمين شناسي ايران،نشر دانش امروز،901 صفحه.
- رضايي،م.(1380)زمين شناسي نفت،تهران،علوي.470 صفحه.
-قرباني قشقايي،ا.(1385).مطالعه زمين شناسي مخزن بنگستان ميدان زيلايي،گزارش شماره پ-5777،شرکت ملي مناطق نفت خيز جنوب ايران.
- قلاوند،ه.(1379).ارزيابي سازندهاي نفت دار،ويژه دانشجويان کارشناسي ارشد،دانشگاه شهيد چمران اهواز
- قنواتي،ک،حق پرست،ق.(1385).مطالعه جامع مخزن بنگستان ميذان منصوري، فاز تعيين مشخصات مخزن،شرکت ملي مناطق نفت خيز جنوب ايران.
- مطيعي،ه.(1372).زمين شناسي ايران،چينه شناسي زاگرس،زير نظر عبدالله هوشمند زاده،تهران،سازمان زمين شناسي کشور.
موازی،غ.، زیدونی،م.، پورقاسم، ب.، 1383، مطالعه مخزن بنگستان میدان زیلایی به روشهای محاسبات حجمی، شبیه سازی سیال، موازنه مواد. گزارش داخلی مناطق نفت خیز جنوب-گ پ-5599
- نورالديني،م.ع.(1363).مطالعه مقدماتي زمين شناسي مخزن بنگستان ميدان زيلويي،گزارش شماره پ-3893،شرکت ملي مناطق نفت خيز جنوب ايران.
Adames, T. D. & Bourgeois, F., 1969, the Asmari Formation of Lurestan and Khuzestan Proviences. I.O.O.C Report, No. 1154(unpublished).
Alavi, M., 1999, tectonic of Zagros orogenic belt of Iran: New data and interpretation, Tectono physics, V. 229, p. 211-238
Armstong, M., 1998, Basic Linear Geostatistics. P. 153.
Deraisme, J ., Allen, O., and Renard, D., 2000, Multi-layer reservoir modeling, www.Geovariances. Com /technical refrences –oil-gas ar0018.htm
Deutsch, C ., and A. Journal, 1998, GSLIB: Geostatistical Software Library and User’s Guide, 2d ed: New York, Oxford University Press, 369 p.
Deutsch, C.V, 2002, Geostatistical reservoir modeling, Oxford Univeasity Press, 367p.
Fernandez, O., Munoz, J.A., Arbues, P., Falivene, O., and Marzo, M., 2004, Three dimensional reconstruction of geological surfaces: AN example of growth strata and turbidite systems from the Ainsa Basin (Pyrenees, Spain) AAPG Bull., v.88, P. 1049-1068.
Haldorsen, H., and Damsleth, E., 1990, stochastic modeling: Journal of Petroleum Technology, P. 404_412.
Hauge, R., Syversveen, A.R., and MacDonald, 2003, Modeling facies bodies and petrophysical trends in turbidite reservoir, SPE 84053, 7P.
Haynes, S.J., and McQuilan,H., 1974, Evolution of the Zagros structure zone, southern Iran.Geol. Soc. Am . Bull., v.85, p.739-744.
Kellker, M. and Perez, G., 2002, Applied geostatistics for reservoir characterization, Society of Petroleum Engineers Inc., 264p.
Labourdette, R., Poncet, J., Seguin, J., Temple, F., Heger, J. and Irving, A., 2006.Three –dimensional modeling of stacked turbidite channels in West Africa: impact on dynamic reservoir simulation. Petroleum Geoscince, v.12, p. 335-345.
Lamarche. J., Wenderoth, M.S., 2005, 3D Structural model of the Polish basin. Tectonophysics, v. 397, 73-91.
Li, H., and White, C.D., 2003, Geostatical shale models for a deltaic reservoir analog from 3D GPR data to 3D flow modeling, AAPG Annual Convention Salt Lake City, Utah, May 11-14, 6P.
Louks, R.G., Mescher, P.k. and McMechan, G.A., 2004, Three dimensional architecture of a coalesced paleocave system in the Lower Ordovician Ellenberger Group, central Texas, AAPG Bull., V.88, pp.545-564.
Mitra, S., and Leslie, W., 2003, Three dimensional structural model of the Rhourde el Baguel field, Algeria, AAPG Bull., v. 87, no.2, P.231-250.
Roxar software solution, 2003, RMS user guide release 7.0
Srivastava, R.M., 1994, An overview of stochastic methods for reservoir characterization. In: Stochastic modeling and geostatics: Principles, methods and case studies. Edit. by Jeffery M. Yarus, and Richard L. Chambers, AAPG Computer application in geology , NO.3, Publ. By AAPG, Tulsa, Oklahoma, USA, 379P.
Strebelle, S., and Journel, A., 2001, Reservoir modeling using multiple point statistics: Presented at the Society of Petroleum Engineers Annual Technical Conferences and Exhibition, SPE Paper 71324, 10p.
Wynd, J.G., 1965, Biofacies of the Iranian oil consortium agreement area IOOC. Report NO. 1082 (unpubl.).
www.ngdir.com
www.geosci.usyd.com
نشریه علمی– پژوهشی زمین شناسی نفت ایران سال دوازدهم، شماره 24، پائیز و زمستان 1401 ص57-80
Iranian Journal of Petroleum Geology No. 24, Autumn & Winter 2022, pp. 57-80
پیش بینی و بررسی اختصاصات مخزن با استفاده از مدل زمین آمار،
مطالعه موردی: مخزن بنگستانی میدان زیلایی، جنوبغرب ایران
سمیه خرم آبادی 1*، بهمن سلیمانی 2، حسین شیخ زاده3
*1- استاد گروه زمین شناسی نفت و حوضه های رسوبی، دانشکده علوم زمین دانشگاه شهید چمران اهواز: soleimani_b@scu.ac.ir
2-سمیه خرم آبادی کارشناسی ارشد نفت گروه زمین شناسی، واحد مرکز تحقیقات دانشگاه آزاد تهران
3-كارشناس ارشد مناطق نفتخیز جنوب، اهواز: sheikhzadeh_h@yahoo.com
دريافت مهر 1402، پذيرش آبان 1402
چکیده
مدل زمین آمار ابزار مفیدی برای پیش بینی پتانسیل نفتی مخازن محسوب می شود. در مطالعه کنونی سعی بر این است که ضمن مروری بر اهمیت مدل زمین آمار در توصیف مخزن، تغییرات پارامترهای پتروفیزیکی مخزن بنگستانی میدان زیلایی را علیرغم تعداد محدود چاههای حفاری شده، مدل سازی و مورد بررسی قرار گیرد. این مخزن کربناته از سازندهای ایلام، سورگاه و سروک تشکیل شده و به هشت زون تقسیم گردید. در فرایند مدلسازی، اطلاعات مورد نیاز جهت مدل سه بعدی شامل تفاسیر ژئوفیزیکی، اطلاعات توصیف چاه، و نقشههای دو بعدی همراه با کنترل کیفی آنها در نرم افزار RMS وارد گردید. تهیه مدل ساختمانی بر اساس سطوح سر سازندها و عمق ورود چاهها به آنها صورت گرفت. این دادهها به طور غیر مستقیم و یا مستقیم در نرم افزار موجود با قابلیت گرید بندی بالا جهت ایجاد سطوح استفاده گردید. نقشه همتراز عمقی سر سازند ایلام به عنوان سطح تفسیری، رقومی سازی و به عنوان نقشه کنتوری پایه در نظر گرفته شد. نقشههای هم تراز عمقی سایر زونها نیز تهیه شد. پیش بینی الگوی توزیع تغییرات اختصاصات پتروفیزیکی مخزن با تکیه به روشهای زمین آمار، نقشههای میانگین تخلخل، و اشباع آب تهیه شد. با توجه به نتایج حاصل از مدل سازی آشکار گردید که میدان زیلایی دارای پیچیدگی ساختاری بوده، ناهمگنی مخزن را موجب شده و ریسک پیش بینی رفتار مخزن را بالا برده است. مقایسه زونهای مخزنی نشان داد که زون 3 دارای پتانسیل هیدروکربوری بهتری نسبت به سایر زون ها میباشد. یکی از عوامل مؤثر در بهبود کیفیت مخزنی آن، فرایند دولومیتیزاسیون است. بر اساس تغییرات مقادیر توزیعی اشباع آب و تخلخل خصوصیات مخزنی ازجنوب شرق به طرف شمال غرب میدان بهبود مییابد.
کلید واژه: میدان زیلایی، مخزن بنگستان، مدل زمین آمار، تخلخل واشباع آب، توصیف مخزن
1-مقدمه
زمین آمار در طول تاریخچه کوتاه خود چندین مرحله تکاملی را با توجه به دامنه روش شناختی خود پشت سر گذاشته است و اساساً با ویژگیهای حوزههای مختلف کاربردی در هم آمیخته است [17]. نخستين تجربه ها جهت بکارگيري روش هاي آماري به مفهوم امروزي آن، در محاسبات تخمين ذخيره از حدود 70 سال پيش، با شناسايي مقدماتي الگوهاي توزيع طلا در معادن آفريقاي جنوبي شروع شد [16، 50، 56، 71]. اگرچه عمده زمينههاي رشد و توسعه زمين آمار مسئله تخمين ذخائر معدني بوده ولي صنعت نفت نیز يکي از استفاده کنندگان اوليه زمين آمار بشمار میرود. در دو دهه اخير نيز کتب و مقالات بسياري از پژوهشگران برجسته اين علم در زمينههاي نظري و کاربردي آن منتشر شده است. موارد زیر قابل ذکر است: مدل ناهمگني [48، 95]، تخمين کريجينگ، حجم سنجي و تهیه مدل و تعیین سطح تماس آب و نفت [28]، توزيع فضايي ويژگيهاي مخزني [14، 52، 82، 83]، مدل سه بعدي ساختماني [75]، مدل پتروفيزيکي [42]. کنترل کيفي و درک صحيح اطلاعات زمين شناسي با استفاده از تکنيک 3D-Visualization [73]، طبقه بندي مخازن توربيديته و شبيه سازي جرياني ماسه سنگهاي جزر و مدي [47، 57] و استفاده از زمین آمار و داده لرزهای در مدل مخزن [18، 30، 53، 66].
کاربرد مدل سازي زمين شناسي در ايران محدود به دو دهه گذشته است. از معروفترين نرم افزارهاي مدل ساز، نرم افزار RMS (Reservoir Modeling System) متعلق به شرکت Roxar و يا نرم افزارPetrel متعلق به شرکت شلمبرژه نام برد که اولين بار در مطالعه زمين شناسي مخازن آسماري و بنگستان ميدان منصور آباد و سپس در تهیه مدل سه بعدی مخزن خامی میدان مارون بکار رفت [3]. برخی از موارد اهمیت توصیف مخازن کمک به کاهش خطرات مرتبط با فرآیندهای اکتشاف و بهره برداری است. فرآیند شناسایی مخزن یک فرایند پیوسته بوده و از اکتشاف، حفر چاه و حریم میدان هیدروکربنی تا آخرین مراحل توسعه و تولید را در بر میگیرد [23، 25].
مطالعه کنونی سعی بر این دارد که ضمن مروری بر کاربرد زمین آمار و اهمیت آن در توصیف مخازن، ویژگی های زمین شناسی و مدل زمین آمار مخزن بنگستان با استفاده از نرم افزار RMS و تعیین بهترن زون از نظر پتانسیل مخزنی مورد بررسی قرار دهد.
2-کاربرد زمین آمار در مطالعات مخزنی
ناهمگونی مخازن یک مشکل کلیدی زمین‌شناسی است که اکتشاف نفت و گاز و توسعه سنگهای آواری از مراحل اولیه تا اواخر مدلسازی را محدود میکند. ناهمگونی مخزن موجود روش‌هایی مانند زمین‌آمار چند نقطهای (MPS) میتوانند به دقت مدلسازی دو بعدی را انجام دهند.
روشهای سنتی مدل سازی زمین شناسی را میتوان به دو دسته تقسیم کرد: مبتنی بر پیکسل و زمین آماری دو نقطهای (مانند شبیه سازی گاوسی کوتاه) [59، 70، 72] و شبیه سازی نشانگر متوالی [51، 32] و روشهای مبتنی بر شی [33، 39، 40، 44]، که شامل فرآیندهای نقطه علامت گذاری شده [54] و روشهای بولی Boolean [58] میشود.
در آمار کلاسيک، اجزايي يا نمونههايي که از کل جامعه دادهها به منظور شناخت آن جامعه برداشته ميشوند فاقد اطلاعات موقعيتي در فضا است، در حالي که در زمين آمار موقعيت فضايي نمونه ها همواره با مقدار کميت مورد نظر يک جا مورد تحليل قرار ميگيرد. اين ارتباط فضايي (فاصلهاي و جهتي) بين مقادير يک کميت در جامعه نمونههاي برداشت شده ممکن است در قالب رياضي بيان شود که به آن ساختار گفته ميشود [103].
تکنيکهاي زمين آمار، روشهاي آماري چند منظورهاي هستند که با ترکيب روشهاي قوي ابزاري و پيکسلي بر مبناي الگوريتم هاي رقومي دادههاي کامپيوتري ميتوانند درصد عدم اطمينان را منعکس کنند [31، 55، 63، 94]. در اين ميان ميتوان از مطالعات انجام شده از نظر شبيه سازي ديناميکي مخزن [57]، توصيف سه بعدي و شبيه سازي جرياني [47، 62]، مدل ژئومتري مخزن [37، 60، 82]، مدل رخسارهای [36، 68]، بررسي شکستگيهاي بزرگ و غارهاي درون مخزن [64] و مدل ژئواستاتيکي تخلخل [101] را نام برد. علاوه بر این موارد، دلایل خاصی برای ساخت مدلهای سه بعدی با وضوح بالا وجود دارد [77]. این دلایل عبارتند از:
-لزوم برآوردهای قابل اعتماد از حجم هیدروکربن اصلی موجود در مخزن [78].
- بهینه سازی مکان چاه به روشی قوی و اقتصادی، با توجه به عدم قطعیتهای مدل [74].
- ادغام انواع مختلف دادهها (به عنوان مثال، دادههای دو بعدی و سه بعدی لرزهای، چاه، و تولید در بازه چندین سال) [91].
- ارزیابی اتصال استاتیکی مخزن [90، 100، 105].
- سناریوهای مختلف برای شبیه سازی پویا برای ارزیابی پیش بینی تولید [61].
- تصمیمات مهم در مواجهه با ابهامات زیاد (از نقطه نظر زمین آماری) با در نظر گرفتن توزیع مکانی خواص مخزن میتوانند با قدرت اخذ شوند [77].
موفقیت زمین‌آمار در کاربردهای علوم زمین مدیون توصیف فضایی پدیده‌های زمین‌شناسی مانند پیوستگی‌های سنگ با استفاده از واریوگرام‌ها [45، 49، 69] تا نمایش‌های سه‌بعدی (3D) پدیده‌های طبیعی [10، 31، 65، 80] است. مدل های مخزنی خواص پیوسته در ارزیابی منابع هیدروکربنی به طور کلی شامل تخلخل، اشباع سیال و نفوذپذیری است. این ویژگی ها هدف نهایی توصیف مخزن reservoir characterization است.
توصیف مخزن هیدروکربنی به همه ابزارهایی اطلاق میگردد که از نظر مقیاس و توزیع مکانی متفاوت بوده ولی مرتبط با اختصاصات مخزن است (مانند ردلرزه، نمودار چاه پیمایی و دادههای پتروفیزیکی)، و با ادغام این دادهها میتوان آنرا انجام داد [11، 12، 13، 76، 88، 89، 93]. بعبارت دیگر این روش به همه دادههای مربوط به توانایی ذخیره سازی و تولید هیدروکربن مخزن مربوط می شود [26، 104]. با این حال، میزان موفقیت آمیز بودن توصیف مخزن بستگی به این دارد که چگونه ادغام دادههای لرزهای، گزارش چاه و زمین شناسی انجام شود [9، 26، 80، 88].
بطور کلي نرم افزارهاي زمين آماري به دو دسته کلي تقسيم ميشوند [52]. گروه اول قادر به تجزيه و تحليل ساختار و همبستگي فضايي دادهها به همراه تهيه نقشههاي دو يا سه بعدي با بکارگيري روش تخمين کريجينگ (Kriging) ميباشد. در حاليکه گروه دوم فقط قادرند نقشههاي دو يا سه بعدي تهيه نمايند. بعبارت دیگر در روشهاي کلاسيک از آمار کلاسيک ولی در زمين آمار از تخمين بر اساس ساختار فضائي موجود در محيط مورد مطالعه (سنگ مخزن هيدروکربوري) استفاده میگردد [15، 22، 24]. به این معنی که تخمين زمين آماري فرآيندي است که در طي آن ميتوان مقدار يک کميت مثلاً (تخلخل يا نفوذ پذيري سنگ مخزن) نقاطي با مختصات معلوم را با استفاده از مقدار همان کميت در نقاط ديگري با مختصات معلوم به دست آورد.
رده بندی های مختلفی برای مدلهای زمین آمار پیشنهاد شده است [35، 38، 43] شامل مدلهای کيفي يا مفهومي (Conceptual, Qualitative)؛ فيزيکي يا تجربي (Physical, Experimental)؛ رياضي و کامپیوتری است. براساس تغییرپذیری متغییرهای مستقل به استاتیک و دینامیک نیز رده بندی می گردد [84]. مدلهای ریاضی مورد استفاده در نرم افزارهای علوم زمین شامل قطعی و آماری است [34]:
- مدلهاي قطعي (Deterministic): مجموعهاي از پارامترهاي ورودي وجود دارند ولي حاصل آن يک خروجي يکسان است.
- مدلهاي احتمالی یا آماري (Probability/Statistic): در مدلهاي آماري پارامترهاي ورودي متغيير خواهد بود و چندين خروجي بدست ميآيد. براي بدست آوردن نتيجه مطلوب با تکرار مدل و ميانگينگيري حاصل ميشود. ساليان متمادي تکنيک مدل سازي دو بعدي به عنوان يک روش در توصيف مخازن هيدروکربوري مورد استفاده قرار ميگرفت ولي نتايج حاصل از آنها نشان داد که تکنيک فوق جوابگوي نيازمندي ها نميباشد. علاوه بر آن عدم امکان تکرار، عدم لحاظ همه نا هماهنگيها، مقياسهاي مختلف در مدل سه بعدي، عدم اطمينان و زمان بر بودن فرایند از جمله معايب اين روشها ميباشد.
3-موقعیت زمین شناسی ناحیه مورد مطالعه
ميدان زيلايي در قسمتي از زاگرس چين خورده در فرو افتادگي دزفول شمالي قرار دارد. این میدان یک تاقدیس نامتقارن و کشیده که در فرو افتادگی دزفول واقع شده است در این میدان دو مخزن آسماری و بنگستان کشف شده است، همچنین شیب یال جنوبی بیشتر از شیب یال شمالی می باشد. عمده نفت تولیدی از این میدان از سازند آسماری حاصل میگردد. ابعاد این میدان در افق آسماری 39 کیلومتر طول و عرض متوسط 5/6 (حداکثر 5/8 کیلومتر) کیلومتر می باشد [2].
مخزن بنگستان ميدان زيلايي با حفر چاه شماره 5 در سال 1354 شمسي کشف گرديد. تاکنون 19 حلقه چاه در اين ميدان علامت گذاري شده است [4]. مطالعه مقدماتي زمينشناسي مخزن بنگستان ميدان توسط [1، 7، 8] انجام گرديد. از لحاظ ساختاری میدان مطالعاتی توسط [2، 6، 29، 96] صورت گرفته است. بوردانوف و هگره نیز تاثیر تکتونیک را بر تشکیل تله های نفتی در زاگرس بررسی نمودند [20]. این مطالعات نشان دادند که میدان زیلایی از پیچیدهگی زیادی برخوردار است.
مخزن بنگستان ميدان زيلايي داراي 3 حلقه چاه اکتشافي شماره 5 و8 و10 مي باشد که فقط چاه شماره 8، چاه توليدي اين مخزن مي باشد و چاه شماره 5 و 10 بدليل رسوب آسفالتين قادر به توليد نميباشند و در نتيجه با تکيه بر اطلاعات هر سه چاه، عمليات مدل سازي اين مخزن انجام گرديد. مخزن بنگستان ميدان زيلايي يک مخزن گاز ميعاني ميباشد و به هشت زون تقسيم گرديده که زون يک در سازند ايلام، زون دو در سازند معادل سورگاه و زون هاي سه تا هشت در سازند سروک قرار دارند (جدول 1). مختصات میدان عبارتست از:˝40 ́ 23 °31 شمالی ˝54 ́ 38 °50 شرقی.
شکل1- موقعیت میداننفتی زیلایی در (الف) فروافتادگی دزفول در کمربند چینخورده زاگرس [20] و
(ب) موقعیت میدان بر روی تصویر ماهواره ای لند ست، (ج) موقعیت چاهها و نقشه UGC رأس افق آسماری [96].
4-مواد و روش کار
مدل سه بعدي در مطالعه جامع يک مخزن بسيار مفيد بوده، اين اجازه را مي دهد که کنترل کيفي مناسبي از اطلاعات ورودي وجود داشته باشد. از آنجا که مدل دو بعدي از ميانگين بخشهاي موجود در چاه، درون يابي سادهاي را ارائه مي دهد، و در نتيجه مدل سه بعدي نسبت به آن ارجحيت دارد [87]. نرم افزارRMS مدل سازي را به دو روش قطعيت پذير (يا جزمي و احتمالي) يا تصادفي انجام ميدهد. روش اول يک مدل ساده و سريع بر اساس برون يابي دادههاي چاه است که با مشخص کردن شعاع جستجو در سه جهت x، ,y z و همچنين امکان استفاده از نقشه روند تغييرات هر پارامتر تهيه ميشود. روش احتمالي از روشهاي زمين آماري جديد که متفاوت از روش هاي کلاسيک است، بهره ميگيرد.
نرم افزار RMS در زمینه مطالعه مخازن هیدروکربنی این توانایی را دارد که با استفاده از داده های پتروفیزیکی چاه ها مانند لاگ های صوتی، هستهای و الکتریکی و با استفاده از روشهای موقعیتیابی و آماری، پارامترهای مختلفی مانند میزان تخلخل، و اشباع آب در هر نقطه را اندازه گیری کند.
بمنظور ارائه مدل استاتیک مخزن به اطلاعات مختلفی نیاز است: (i) داده های به دست آمده از لاگ های پتروفیزیکی 3 حلقه چاه؛ (ب) نقشه مسیر چاه و منحنی تراز زیرزمینی (UGC) در راس مخزن؛ (iii) داده های به دست آمده از مطالعات مغزه و توصیف سنگ شناسی. مدلسازی در چهار مرحله اصلی به شرح زیر انجام شد: (1) بارگذاری دادهها و کنترل کیفیت دادهها (دادههای ورودی)؛ (2) مدل ساختمانی؛ (3) مدل پتروفیزیکی اختصاصات مخزنی؛ (4) تحلیل عدم قطعیت و محاسبات حجمی.
4-1-مراحل مختلف مدلسازي مخزن:
اطلاعات ورودي نرم افزار RMS و قابليتهاي آن: اين نرم افزار با استفاده از اطلاعات به دست آمده از نرم افزارهاي مختلف از جمله Geoframe و يا اطلاعات ارائه شده توسط نرم افزار مفسر دادههاي لرزهاي از جمله Charisma و Jason و يا بطور کلي هرگونه اطلاعات با فرمت مناسب به عنوان مثال نقشههاي زير سطحي رقومي شده توسط نرمافزار Mapcard ياAutoCAD ، مدلسازي مخزن مورد نظر را انجام ميدهد. نرم افزار جهت مدلسازي لايههاي مختلف به موازات نقشه عمقي ورودي جهت سازند مورد نظر عمل ميکند و ديگر زون هاي مورد نظر را مدلسازي ميکند. اطلاعات ورودي اين نرم افزار (نتايج تفسير دادههاي پتروفيزيکي، اطلاعات چاه، زمينشناسي، رسوب شناسي و نتايج تفسير ژئوفيزيک) قابل تغيير و تصحيح هستند و ميتوان شبکه بندي استفاده شده در هرکدام از قسمتهاي مختلف را تغيير داد. در شکل 2 مراحل مختلف مدلسازي مخزن توسط نرم افزار RMS نشان داده شده است.
شکل 2– نمایش شماتیکی (فلوچارت) مراحل مدل سازی مخزن در میدان مورد مطالعه
4-2- مراحل محاسبات آماري-
دامنه تغييرات يک پارامتر ممکن است در بعضي مواقع تعبيرهاي نامناسبي از جامعه ارائه کند. در حاليکه اگرجامعه از ديد آماري، جامعه متمرکزي باشد، به علت وجود مقادير خيلي کوچک و يا خيلي زياد دامنه تغييرات عدد خيلي بزرگ را نشان ميدهد. در بعضي از روش هاي آماري يک دهم و حتي تا يک چهارم از دادههاي بالا و پايين را حذف مي کنند و بعد از آن دامنه تغييرات داده هاي باقي مانده را محاسبه مي کنند. آناليز دادههاي پتروفيزيکي بر اساس نمودارهاي هيستوگرام در اين ميان کمک فراواني به حذف داده هاي پرت از جامعه آماري مورد نظر ميکند [46، 106]. آماده سازی دادههای ورودی شامل مراحل زیر است [92]:
حذف روند- به طور کلي در زمين آمار بايد از داده هايي استفاده کرد که فاقد روند باشند. در صورت وجود روند لازم است قبل از شروع عمليات اثر آن را خنثي کرد و سپس روي مقادير باقي مانده محاسبات را انجام داد [46، 98]. محاسبه روند خطي داده ها به طور اتوماتيک بر اساس اطلاعات چاه طي سه مرحله مي باشد که شامل: حذف روند در جهت ضخامت چاه، براي حذف پيوستگي دادهها و تغييرات دياژنتيک سنگ، حذف روند در جهت عمود بر لايهها جهت حذف روند ناشي از محيط رسوبي و نهايتاً حذف روند کلي ميدان در جهت عمود بر محور تاقديس جهت حذف تغييرات ناحيه اي دادهها صورت ميگيرد (شکل 3).
شکل 7-آناليز داده ها جهت محاسبه روند در جهت هاي مختلف مخزن
شکل 4- نمودار هيستوگرام داده هاي تخلخل زون یک: (الف) قبل و (ب) بعد از نرمال سازي
انتقال دادهها-داشتن دادههايي که توزيع نرمال دارند در هرحقيقت مجوز استفاده ازروشهاي آماري مورد نظر است [46، 97]. نمودار توزيع نرمال به شکل يک منحني زنگي شکل (Bell shape) کاملاً متقارن است که با پارامترهاي آماري ميانگين، واريانس که نشان دهنده ميزان پراکندگي دادهها و در نتيجه گستردگي منحني توزيع نرمال است، تعريف ميشود. لذا به طور کيفي ميتوان نرمال بودن توزيع دادهها را از روي هيستوگرام دادهها (نزديک به نرمال)، چولگي داده ها (نزديک به صفر)، کشيدگي آنها نزديک به سه باشد، تشخيص داد. بر اين اساس توزيع نرمال داده ها براي تخلخل (شکل 4) و اشباع آب صورت پذيرفت.
-تعيين ساختار فضايي دادهها-در زمين آمار با استفاده از داده هاي يک کميت در مختصات معلوم مقدار همان کميت را در نقطههاي ديگر با مختصات معلوم واقع در درون دامنهاي که ساختار فضايي حاکم است، تخمين زد. در زمين امار جهت بررسي وجود يا عدم وجود ساختار فضايي بين داده ها لازم است متوسط مربع اختلاف مقادير دادهها به ازاء طول گام هاي مختلف محاسبه کرده و در نتيجه با استفاده از اين ميانگين مربع اختلاف ها به رسم واريوگرام پرداخت [79، 85].
واريانس (پراکندگي حول مقدار ميانگين) وابسته به فاصله را واريوگرام مينامند. هدف اصلي از برقرار کردن تابع واريوگرام اين است که بتوانيم ساختار تغيير پذيري را به خصوص نسبت به فاصله (مکاني يا زماني) بشناسيم. از واريوگرام رسم شده ميتوان گسترش فضائي که درون آن وابستگي فضائي بين داده ها وجود دارد را مشخص کرد، به علاوه واريوگرام ميتواند مقدار کل تغيير پذيري دادهها را به دو مولفه که يکي ساختاردار و تابع موقعيت فضائي (فاصله و جهت) و ديگري که تصادفي است، تقسيم کند (در آمار کلاسيک کل تغيير پذيري را يک مؤلفه تصادفي فرض ميشود(. در زمين آمار مولفه تصادفي واريانس را اصطلاحاً واريانس قطعهاي و مؤلفه ساختار دار آن را اصطلاحاً واريانس فاصلهاي ميخوانند [99]. بدين ترتيب رفتار تغییرپذیری کميتهايي نظير تخلخل ميتواند تصادفي و یا داراي ساختار (تابع فاصله و جهت) باشد [41] (شکل 5).
شکل 5- نمونه واريوگرام تهيه شده توسط نرم افزار RMS
کريجينگ يک روش تخمين است که بر منطق ميانگين متحرک وزن دار استوار مي باشد و بهترين تخمينگر خطي نا اريب مي باشد [19]. از مهمترين ويژگيهاي کريجينگ آن است که به ازاء هر تخمين خطاي مرتبط با آن تخمين را محاسبه ميکند. بنابراين براي هر مقدار تخمين زده شده ميتوان دامنه اطمينان آن را محاسبه کرد. در نرم افزار RMS بخشي تحت عنوان کريجينگ گنجانده شده که به کاربر امکان انجام تخمين را مي دهد. در اين روش براي تخمين از تخمينگر کريجينگ استفاده مي شود. در مورد آن ميتوان گفت که بهترين تخمينگر خطي نااريب مي باشد. از مهمترين ويژگي کريجينگ آن است که به ازاء هر تخمين خطاي مرتبط با آن را ميتوان محاسبه کرد. بنابراين براي هر مقدار تخمين زده شده ميتوان دامنه اطمينان آن تخمين را محاسبه کرد. در کريجينگ حاصل، يک عدد بيشتر نيست. زيرا محاسبات از طريق وزن ميباشد در نتيجه يک نقشه و يک مدل ارائه ميدهد. روش SGS (Sequence Gaussian Simulation ) مرحله به مرحله عمليات محاسباتي را انجام ميدهد و در هر بار يک نقشه تهيه مي شود. کریجینگ و کوکریجینگ تکنیکهای زمین آماری هستند که برای اهداف درون یابی (نقشه برداری و کانتوری) استفاده میشوند [21، 27، 31، 67، 81، 86، 102]. هر دو روش، اشکال تعمیم یافته مدلهای رگرسیون خطی تک متغیره و چند متغیره، برای تخمین در یک نقطه، در یک منطقه، یا در یک حجم هستند. آنها روشهای میانگین‌گیری خطی هستند، مشابه سایر روشهای درونیابی. با این حال، وزن آنها نه تنها به فاصله، بلکه به جهت و جهت گیری دادههای مجاور به مکان نمونه برداری نشده بستگی دارد.
آخرين قدم اين که از توزيع نرمال يک تابع استفاده ميشود (ميانگين= صفر و تغيير پذيري يک واحد يک واحد باشد). در اين حالت به توابع نرمال تبديل مي شوند. در طي انجام مراحل پتروفيزيکي ميتوان تصوير سه بعدي از بخش هاي متخلخل و تراواي مخزن را تهيه کرد که با توجه به آن ميتوان گفت که کدام قسمت ها از ويژگي هاي مخزني بهتري برخوردار است. نيز ميتوان تصوير سه بعدي از اشباع آب را تهيه کرد که با توجه به ان بخشهايي که اشباع آب کمتري دارند، از ديدگاه مخزني بهتر بوده و از شرايط خوبي برخوردار ميباشند (شکل 6).
شکل 6- تصوير سه بعدي از توزیع (الف) تخلخل و (ب) اشباع آب در زون يک مخزن بنگستان
5-بحث
5-1- ویژگیهای سنگ شناسی مخزن
مخزن بنگستانی در این میدان به 8 زون تقسیم شده (شکل 7) و ویژگیهای هر زون به شرح زیر است.
زون يک - اين زون از ابتداي سازند ايلام شروع گرديده و ضخامت متوسط آن 40 متر ميباشد، ليتولوژي آن متشکل از سنگ هاي آهکي و آهکهاي دولوميتي از نوع I/III و I/II و I ، به رنگ سفيد تا خاکستري روشن و خاکستري تا قهوهاي تشکيل شده است. با توجه به نقشههاي هم ضخامت، ميتوان مشاهده نمود که به طرف شرق بيشترين ضخامت را دارد. در این زون ميانگين تخلخل مفید 3/6%، اشباع آب مفید 8/38% مي باشد.
زون دو-اين زون در زير سازند ايلام قرار دارد و ضخامت متوسط آن 10 متر مي باشد. ليتولوژي اين زون از شيل هاي قهوه اي تا قهوه اي تيره و سياه بيتومينه کمي آهک دار تشکيل شده است. با توجه به نقشههاي هم ضخامت، در شرق ميدان ضخامت اين زون نسبت به غرب افزايش مييابد. ميانگين تخلخل مفید 4/6%، اشباع آب مفید 2/50% ميباشد.
زون سه-اين زون بلافاصله درزير بخش شيلي سورگاه قرار گرفته است و ضخامت متوسط اين زون 80 متر ميباشد. ليتولوژي اين زون از سنگهاي آهکي از نوع I/III و I/II و I به رنگ سفيد تا قهوهاي روشن و يا خاکستري کمي دولوميتي، آرژيليتي همراه با آثاري از وجود نفت، پلیتيک، کمي انيدريتي ميباشد. در بخش تحتاني آن يک لايه شيلي پيريت دار و حاوي فسيلهاي فراوان مي باشد. در نقشههاي هم ضخامت اين زون دارای روند افزايش ضخامت از غرب ميدان به طرف شرق ميباشد. ميانگين تخلخل مفید 2/12% و اشباع آب مفید پایین ميباشد.
شکل 7-ستون چینهای مخزن بنگستان در یکی از چاه های مورد مطالعه در میدان زیلایی.
زون چهار-در زير زون 3 و بالاي زون 5 از سازند سروک قرار دارد. ضخامت اين زون به طور متوسط به 80 متر ميرسد، از لحاظ ليتولوژي از سنگ آهکهايي از نوع II و I و II/III به رنگ سفيد تا خاکستري و قهوهاي، مادستون تا پکستون، پيريتي، آرژيليتي، همراه با آثاري از نفت، دولوميتي با تبلور دوباره و کمي ماسهاي و حاوي فسيل فراوان از نوع Dicyclina sp – Dukhania sp – Prealveolina sp ميباشد. لايه شيلي به ضخامت يک متر که در قسمت بالايي اين زون قرار دارد پيريتي و کمي آهکي است. در نقشه هاي هم ضخامت ميتوان مشاهده کرد که در چاه 10 بيشترين ضخامت و به طرف چاه هاي 5 و8 از ضخامت آن کاسته ميگردد.
زون پنج- اين زون در چاه 8 بطور کامل حفاري نشده است. ضخامت متوسط اين زون 50 متر ميباشد. از لحاظ ليتولوژي از سنگهاي آهکي از نوع I/III و II و I به رنگ سفيد تا خاکستري، کرم تا قهوهاي، مادستون تا پکستون، بيوکلاستيک، کمي رس دار، پلتي، دولوميتي، با تبلور دوباره کلسيت همراه با آثاري از نفت ،کمي انيدريتي و با فسيلهاي شاخص Dukhania sp – Dicyclina sp – Nezzazata sp – Trocholina sp همراه است. در نقشههاي هم ضخامت اين زون، ضخامت در سمت شرق ميدان کاهش مييابد و از سمت چاه 10 به طرف چاه 5 ضخامت زون افزايش مييابد (بطرف غرب ميدان).
زون شش- ضخامت اين زون به طور متوسط به 100 متر ميرسد. اين زون در چاه 8 حفاري نشده است. از لحاظ ليتولوژي از سنگ هاي آهکي از نوع III و II و I به رنگ خاکستري روشن تا قهوهاي، مادستون تا پکستون، با تبلور دوباره بلورهاي کلسيت، دولوميتي، همراه با آثاري از نفت تشکيل شده است. در آهکهاي مادستوني استيلوليتي مشاهده شده و داراي ميکرو فسيلهاي Dukhania sp – Alveolinid sp – Heterohelix sp ميباشد. ضخامت اين زون در چاه 10 کاهش مييابد و به طرف چاه 5 ضخامت اين زون افزايش مي يابد (بطرف غرب ميدان).
زون هفت- ضخامت اين زون بطور متوسط به 100 متر ميرسد. از لحاظ ليتولوژي از سنگ آهکهايي از نوع II و I به رنگ سفيد تا خاکستري، مادستون دارای انيدريت با فسيلهاي Dukhania sp – Nezzazata sp – Rudist debris تشکيل شده است. ضخامت اين زون در اطراف چاه 10 کمترين و به طرف چاه 5 افزايش مييابد (به طرف غرب ميدان). ميانگين تخلخل مفید 9%، اشباع آب مفید 18% ميباشد.
زون هشت- اين زون در بالاي سازند کژدمي قرار دارد. اين زون بطور کامل در چاه 5 و 10 حفاري نگرديده است. از لحاظ ليتولوژي از سنگ هاي آهکي نوع II/I و II و I به رنگ خاکستري روشن تا کرم، با آثاري از نفت، مادستون تا وکستون، رس دار با تبلور دوباره بلورهاي کلسيت ميباشد. ميکروفسيلهاي شاخص اين زون Nezzazata – Dukhania sp – Textularia ميباشد. میانگین تخلخل مفید 9/5%، اشباع آب مفید 1/36% میباشد.
5-2-مدل ساختمانی
تهیه سطوح ساختمانی به طور معمول، نقطه آغازین شروع یک مدل مخزنی میباشد. سطوح ساختمانی را مي توان به طور مستقيم از برنامههاي ديگر مانند ژئوفریم يا Open work به مدل وارد ساخت و يا اينکه از طريق ابزارهاي کاربردي تهيه نقشه در نرم افزار موجود با قابليت گريد بندي آن جهت ايجاد سطح استفاده نمود [5]. در اين بخش ميتوان انواع اطلاعات مربوط به سطوح را اضافه يا کم کرد. اين اطلاعات شامل نقشههاي هم تراز عمقي، اعماق ورود به مخزن بر اساس اطلاعات چاه، اطلاعات ژئوفيزيکي، و خط اثر گسل است. بخشهاي مختلفي در زير مجموعه سطوح وجود دارد که شامل اداره کردن سطوح، تهيه نقشههاي هم ضخامت قائم و مدل چينهاي است. بدين منظور نقشه همتراز عمقي سر سازند ايلام که بر گرفته از نقشهاي ژئوفيزيکي تصحيح شده بود (بر اساس اطلاعات چاههاي حفاري شده)، رقومي سازي و به عنوان نقشه کنتوري پايه به مدل وارد گرديد (شکل 8). بر اساس اطلاعات فوق نقشه سطح ايلام به عنوان يک سطح تفسيري تهيه گرديد. اعماق ورود به بخشهاي مختلف مخزن پس از محاسبه ميزان انحراف چاه و بر اساس زون بندي مخزن به عنوان نقاط کنترل چاه جهت ايجاد مدل ساختماني و تهيه نقشه هاي هم تراز عمقي بر روي ديگر زون هاي مخزن مورد استفاده قرار گرفت. سطوح تهيه شده بر اساس اطلاعات فوق و ميزان شيب و آزيموت سر سازند ايلام به عنوان سطوح محاسبه شده ايجاد گرديد (شکل9). با در نظر گرفتن مسير چاه ميزان ضخامت واقعي هر زون در چاههاي مختلف محاسبه و نقشه هم ضخامت چينهاي تهيه گرديد (شکل 10).
شکل 8 – موقعیت بعضی از چاه های حفاری شده و وضعیت ساختاری سه بعدی میدان زیلایی.
با توجه به نتايج حاصله در بخش مدل سازي ساختماني، ميدان زيلايي در منطقه دزفول شمالي واقع گرديده است. تاقديس ميدان زيلايي ساختاري نامتقارن و کشيده دارد. يال جنوبي شيب بيشتري نسبت به يال شمالي داشته و محور ساختمان در غرب به سمت جنوب متمايل شده است (شکل 11). تاقديس ميدان زيلايي با تبعيت از روند کلي زاگرس داراي روند شمال غرب - جنوب شرق مي باشد. در يال شمالي و جنوبي اين ميدان دو گسل معکوس وجود دارد، اما در چاههاي حفاري شده آثار گسل خوردگي مشاهده نشده است (شکل 12).
5-3-مدل پتروفيزيکي مخزن بنگستان
ايجاد مدل پتروفيزيکي شامل توزيع ويژگيهاي اصلي مخزن مانند ميزان تخلخل و اشباع آب در سه بعد است. بمنظور تهية نقشههاي توزيع تخلخل واشباع آب براي هر زون مخزني، اطلاعات پتروفيزيکي مربوط به سه حلقه چاه تهيه و پس از ترکيب اين دادهها با اطلاعات انحراف چاه جداول مربوط به هر چاه با فرمت LAS جهت مدل پتروفيزيکي تهيه و به عنوان ورودي اطلاعات چاه به مدل وارد شد (جدول 1). جهت انجام امور فوق و همچنين محاسبات حجم سنجي مخزن در ابتدا نياز به تهيه گريدبندي زمين شناسي بوده که بر اساس ميزان تغيير پذيري پارامترهاي پتروفيزيکي و الگوي زون بندي مخزن تهيه گردید. گريد فوق ميتواند منفرد و شامل يک سطح در بالا و يک سطح در پايين و يا مولتي زون و شامل بيش از دو سطح باشد. گريدبندي شامل سطر و ستون در جهت افقي و تعدادي لايهها در جهت قائم باشد. تعداد 4600000 سلول و تعداد 200 ستون، تعداد 50 ردیف و نيز تعداد 460 لايه ميباشد (شکل 12-الف).
از آنجا که اطلاعات روندي به صورت يکسري دادههاي پيوسته ميباشد و سلولهاي ايجاد شده بر اساس گريد فوق بيش از يک مقدار خواهد بود، ابتدا دادههاي فوق به صورت منقطع و شامل متوسط هر سري از دادهها براي هر سلول تغيير خواهد يافت که دادههاي بلوک شده ناميده ميشوند. بديهي است که مقايسه پارامترهاي آماري همچون ميانگين، انحراف معيار دادههاي خام و بلوک شده بيانگر ميزان دقت در طي مراحل فوق و تهيه گريد زمين شناسي ميباشد.
با مدل سازی خواص پتروفيزيکي مخزن شامل تخلخل، اشباع آب و درصد ليتولوژيهاي مختلف حاصل از تفسير پتروفيزيکي، تغییرات آنها را مشاهده کرد. بديهي است که اين خصوصيات تا شعاع خاصي میتواند در نرم افزار تعريف شود، تحت تأثير هرچاه قرار دارد (شکل 12-ب). با انجام مرحلهBlock well در مدلسازی خواص پتروفیزیکی برای نمایش توزیع پارامترهای آن در چاههای مختلف، مرحله درون یابی (Interpolation) انجام گردید.
شکل 9-نقشه همتراز عمقی UGC سر زون های مختلف مخزن بنگستان میدان زیلایی.
شکل 10-نقشه هم ضخامت چینهای Isochore: A-زون 1، B-زون2 و C- زون 3
شکل 11-مدل سه بعدی ساختمانی (الف)چینهای همراه با موقعیت چاههای بنگستانی و نیمرخهای (ب) طولی؛ و (ج) عرضی مخزن بنگستان.
شکل 12– موقعیت چاه های مورد مطالعه و وضعیت ساختاری میدان زیلایی [96].
شکل12- الف-شبکه ايجاد شده جهت مدلسازي خواص پتروفيزيکي؛ ب- مرحلهBlock well در مدلسازی خواص پتروفیزیکی برای نمایش توزیع پارامترهای مختلف پتروفیزیکی.
تخلخل یکی از مهم ترین متغیرهای پتروفیزیکی در توصیف منابع هیدروکربنی است، زیرا میزان منافذ موجود برای ذخیره سازی سیال نقش تعیین کننده در کیفیت مخزن دارد. روشهای زمین‌آمار مورد استفاده در مدلسازی تخلخل شامل کریجینگ و شبیه‌سازی گاوسی متوالی (SGS) است. کریجینگ به طور کلی نتایج صاف تری ایجاد میکند، زیرا واریانس مدل کریجینگ معمولاً کوچکتر از واریانس دادههای مورد استفاده در کریجینگ است. بر اساس روش فوق نقشههای توزيع تخلخل (شکل 13) و اشباع آب (شکل14) براي زونهاي مختلف مخزن بنگستان تهيه گرديد.
جدول 1 – دادههای میانگین تخلخل، اشباع آب و ضخامت خالص به ناخالص در سه چاه 5، 8، و 10 میدان زیلایی. علائم عبارتست از: MD entry (mean depth entry); TVD entry (true vertical depth entry); TVT (true vertical thickness entry); MDT (mean depth thickness); TVDT (true vertical depth thickness); N/G (net to gross thickness); SW (water saturation). | |||||||||
Ave. SW% | Ave. N/G | Ave. Porosity% | TVDT
| MDT
| TVT- entry | TVD entry | Isochore | MD entry (m) | Well no |
100 | 0 | 0 | 44.66 | 46 | 45.6 | 3826.28 | Ilam | 4261 |
ZE5 |
40 | 0.1 | 3.3 | 10.69 | 11 | 10.91 | 3874.94 | z-2 | 4307 | |
100 | 0 | 1 | 79.7 | 82 | 81.41 | 3881.63 | z-3 | 4318 | |
100 | 0 | 1.2 | 71.96 | 74 | 73.48 | 3961.33 | z-4 | 4400 | |
100 | 0 | 1 | 78.76 | 81 | 80.59 | 4033.28 | z-5 | 4474 | |
100 | 0 | 1 | 104 | 107 | 106.53 | 4112.04 | z-6 | 4555 | |
100 | 0 | 1 | 103.1 | 106 | 105.54 | 4216.09 | z-7 | 4662 | |
90 | 0 | 1.9 | 30.93 | 31 | 30.92 | 3939.4 | Ilam | 4294 |
ZE8 |
70 | 0.1 | 3.9 | 8.98 | 9 | 9 | 3970.32 | z-2 | 4325 | |
60 | 0 | 7.3 | 66.81 | 67 | 67.17 | 3979.31 | z-3 | 4334 | |
- | - | - | 80.77 | 81 | 81.23 | 4046.12 | z-4 | 4401 | |
100 | 0 | 0.5 | 43.94 | 44 | 43.77 | 3867.71 | Ilam | 4278 |
ZE10 |
20 | 0.1 | 3 | 11.98 | 12 | 11.94 | 3911.65 | z-2 | 4322 | |
100 | 0.1 | 0.6 | 85.88 | 86 | 85.52 | 3923.64 | z-3 | 4334 | |
100 | 0 | 1 | 102.5 | 103 | 101.71 | 4009.52 | z-4 | 4420 | |
100 | 0 | 0.9 | 34.84 | 35 | 34.58 | 4112.03 | z-5 | 4523 | |
100 | 0 | 0.8 | 93.59 | 94 | 92.92 | 4146.87 | z-6 | 4558 | |
90 | 0 | 1.9 | 89.63 | 90 | 89.02 | 4240.46 | z-7 | 4652 | |
شکل 13-نقشه توزیع میانگین تخلخل در زونهای 1 الی 5 مخزن بنگستان میدان زیلایی.
شکل14-نقشه توزیع میانگین اشباع آب در زون های 1 الی 5 مخزن بنگستان میدان زیلایی.
در مدل پتروفيزيکي به روش زمين آمار، بخشهاي تراوا و متخلخل در زون هاي مختلف مخزن مشخص گردید. درصد اشباع آب در زونهاي مختلف مخزن محاسبه گرديد. نرم افزار RMS با دقت بالايي اين فرآيند را انجام داده و بخشهاي مفيد مخزني را تعيين نمود. با توجه به آزمايشات سرچاهی انجام گرفته و مدلهاي تهيه شده، زون 3 از ويژگي مخزني بهتري نسبت به ساير زونها برخوردار بوده و با توجه به مدل ساختماني و پتروفيزيکي و نقشههاي ميانگين تخلخل، اشباع آب و Net/Gross (NTG) تهيه شده چنين نتيجه گرفته ميشود که کیفیت ويژگيهاي مخزني مانند تخلخل در چاه شماره 8 افزايش پيدا کرده و چاه شماره 5 و 10 فاقد شرايط مخزني ميباشند. مقایسه ویژگیهای لیتولوژی زونها نشان داد که زون 3 متحمل دولومیتیزاسیون شده است. این فرایند یکی از عوامل افزایش کیفیت مخزنی محسوب میشود.
داده هاي خروجي نرم افزار از تمام زونها با در نظر گرفتن ميزان ضخامت واقعي آنها همراه با مقادير تخلخل و اشباع آب و Net/Gross توسط نرم افزار RMS در جدول 1 ارائه شده است. بررسی دادههای پتروفیزیکی مخزن بنگستان نتايج زير را آشکار میسازد:
سازند ايلام: در چاه شماره 5 و 10 فاقد ضخامت مفيد و تخلخل ميباشد و اشباع آب به ميزان 100-90 درصد را نشان ميدهد. در حاليکه ميزان تخلخل در چاه 8 در حد 6 درصد و ميزان اشباع آب 38 درصد مي باشد و با توجه به ميانگين NTG که خيلي کم ميباشد از نظر هيدروکربور ضعيف بنظر ميرسد.
سازند سورگاه: در چاه 5 و 10 فاقد تخلخل ميباشد، اما در چاه 8، تخلخل 6 % و اشباع آب 72 % ميباشد. ميزان تخلخل در اين چاه بهتر از چاه 5 و 8 بوده، اما بدليل اشباع آب بالا و نداشتن ستون هيدروکربوری فاقد ارزش مخزني ميباشد.
سازند سروک: اين سازند متشکل از زونهاي 3 تا 8 ميباشد، سازند سروک قسمت اصلي سنگ مخزن بنگستان را در ميدان زيلايي تشکيل ميدهد. زون 3 در چاه شماره 5 و 10 فاقد تخلخل و اشباع آب ميباشد. اما در چاه 8 تخلخل در حد 12% و آب اشباع شدگي آن پايين بوده، همچنين با توجه به آزمايشات جرياني توليد و آزمايش ساق مته زون 3، زون خوبي جهت توليد هيدروکربور ارزيابي شده است. مخزن بنگستان حاوي گاز ميعاني است. زون 4 با توجه به آزمايشات ساق مته و جريان توليد، و بدليل تخلخل پائین، فاقد ارزش مخزني مي باشد. چاه 8 فقط تا زون 4 حفاري شده وکمترين ضخامت در چاههاي بنگستانی را دارا مي باشد. چاه 5 و 10 در زون 5 و 6 فاقد تخلخل مي باشند و اشباع آب 100-90 % مي باشد. در زون 7 چاه شماره 10، ميزان تخلخل 9 % و اشباع آب 18 % را نشان ميدهد ولي با توجه به آزمايش ساق مته و ضخامت کم هيدروکربور فاقد پتانسيل مخزني ميباشد. زون 8 با توجه به نتایج آزمايش ساق مته و توليد آب سازندي از شرايط مخزني پاييني برخوردار است.
6- نتیجه گیری
ميدان زيلايي يک تاقديس نامتقارن و کشيده و مانند اکثر ميادين جنوب غرب ايران و فرو افتادگي دزفول داراي راستاي شمال غرب - جنوب شرق مي باشد. يال جنوبي داراي شيب بيشتري نسبت به يال شمالي ميباشد. مخزن بنگستان از جمله مخازن کربناته رده بندي شده و از لحاظ چينه شناسي متشکل از سازندهاي ايلام، سورگاه و سروک است. این مخزن به هشت زون تقسيم گردید. مقایسه ویژگیهای پتروفیزیکی زون ها نشان داد که زون 3 تنها زون مخزنی بوده، و یکی از عوامل بهبود کیفیت مخزنی آن نسبت به سایر زونها، فرایند دولومیتیزاسیون است.
با استفاده از تکنيکهاي زمين آمار، دانش مربوط به مخزن کربناته بنگستانی میدان زیلایی در زمینه درصد اطمينان و همچنین شناخت ناهمگونی مخزن را افزایش داد. بنابراین مدل زمین آمار توانایی پیش بینی تغییرات پارامترهای پتروفیزیکی مخازن نفتی را افزایش میدهد.
مدل سه بعدی ساختماني (شامل مدل چينهشناسي و ساختاري)، نشان داد که میدان زیلایی یک ساختمان دو کوهانه با شیب آرام است. نقشههاي همتراز زيرزميني (UGC) مربوط به سرسازندهاي مخزني، و نقشههاي همضخامت (ایزوکور) براي زونهاي مختلف مخزن تهیه گردید. مدل ساختماني بي شک ما را به شناخت الگوي ساختاري مخزن راهنمايي کرده و ميتوان گسل و شکستگيهايي که ساختار مخزني را تحت تاثير خود قرار داده، را شناسایی نمود.
علیرغم وجود دو گسل معکوس در يال شمالي و جنوبي و پیچیدگی ساختاری ميدان، توالي طبقات در چاههاي حفاري شده طبيعي بوده و فاقد آثار گسل خوردگي هستند. با توجه به نقشههاي ميانگين تخلخل، اشباع آب و ضخامت خالص به کل، چنين نتيجه گرفته ميشود که زون 3 داراي هيدروکربور بوده و از ويژگي مخزني بهتري برخوردار ميباشد. زونهاي ديگر به علت پايين بودن درصد تخلخل و بالا بودن اشباع آب، فاقد پتانسيل مخزني ميباشند. مخزن بنگستان حاوي گاز ميعاني است.
تشکر و قدردانی
مؤلفین لازم میدانند که از همکاري و حمايتهاي بخش پژوهشی دانشگاه شهید چمران اهواز، مدیریت محترم ارتباط صنعت با دانشگاه شرکت ملي مناطق نفت خيز جنوب و نیز از از داوران مقاله آقایان دکتر علیرضا بشری (رئیس انجمن زمین شناسی نفت ایران) و دکتر علی بهداد (شرکت ملی نفت ایران) تشکر و قدردانی میگردد.
منابع
[1] پيرامون،ا، بهمني،د.، 1377، مطالعه مخزن بنگستان ميدان زيلايي،گزارش شماره پ_4775،شرکت ملي مناطق نفت خيز جنوب ايران
[2] سراج، م.، 1384، تحلیل ساختاری مقدماتی میادین نفتی مناطق نفت خیز جنوب، گزارش پ-5613، اهواز.
[3] شیخ زاده،ح.، 1389، مطالعه زمین شناسی و تهیه مدل سه بعدی مخزن خامی میدان مارون،گزارش شماره م_ 6911، شرکت ملی مناطق نفت خیز جنوب ایران
[4] قرباني قشقايي،ا.، 1385، مطالعه زمين شناسي مخزن بنگستان ميدان زيلايي،گزارش شماره پ-5777،شرکت ملي مناطق نفت خيز جنوب ايران.
[5] قنواتي،ک.، حق پرست،ق.، 1385، مطالعه جامع مخزن بنگستان ميذان منصوري، فاز تعيين مشخصات مخزن، شرکت ملي مناطق نفت خيز جنوب ايران.
[6] گلال زاده، ع.، و ارزانی، ع.، 1389، نتایج حاصل از برداشت پردازش و تفسیر داده های سه بعدی لرزه ای میدان زیلایی، گزارش پ-7033، اداره مطالعات شرکت ملی مناطق نفت خیز جنوب، اهواز.
[7] موازی،غ.، زیدونی،م.، پورقاسم، ب.، 1383، مطالعه مخزن بنگستان میدان زیلایی به روشهای محاسبات حجمی، شبیه سازی سیال، موازنه مواد. گزارش داخلی مناطق نفت خیز جنوب-گ پ-5599
[8] نورالديني،م.ع.، 1363، مطالعه مقدماتي زمين شناسي مخزن بنگستان ميدان زيلويي،گزارش پ-3893،شرکت ملي مناطق نفت خيز جنوب ايران.
[9] ADAGUNODO, T.A., SUNMONU, L.A., ADABANIJA, M.A., 2017, Reservoir characterization and seal integrity of Jemir field in Niger Delta, Nigeria. Journal of African Earth Sciences, 129, 779-791. https://doi.org/10.1016/j.jafrearsci.2017.02.015
[10] ADELU, A.O., ADEREMI, A.A., AKANJI, A.O., SANUADE, O.A., KAKA, S.L.I., AFOLABI, O., OLUGBEMIGA, S., OKE, R., 2019, Application of 3D static modeling for optimal reservoir characterization. Journal of African Earth Sciences, 152, 184-196.
[11] ADELU, A.O., SANUADE, O.A., OBOH, E.G., OFFEH, E.O., ADEWALE, T., MUMUNI, O.S., OLADAPO, M.I., OMOLAIYE, E.G., 2016, Hydrocarbon field evaluation: case study of‘Tadelu’field shallow offshore Western Niger Delta, Nigeria. Arab J Geosci, 9, 116-
[12] AIZEBEOKHAI, A.P., and OLAYINKA, I., 2011, Structural and stratigraphic mapping of Emi Field, Offshore Niger Delta,” Journal of Geology and Mining Research, 3 (2), 25-38.
[13] AKANJI, A.O., SANUADE, O.A., KAKA, S.I., BALOGUN, I.D., 2018, Integration of 3D seismic and well log data for the exploration of Kini Field, Offshore Niger Delta. Pet Coal, 60, 752–761.
[14] AL-KHALIFEH M., AND MAKKAWI M., 2002, The import of data integration on geostatical porosity modeling: A case study from the Berri field, Saudi Arabia. Journal of Petroleum Geology, 25 (4), 485-498. https://doi.org/10.1111/j.1747-5457.2002.tb00096.x
[15] AMANIPOOR, H., 2017, Productivity index modeling of Asmari reservoir rock using geostatistical and neural networks methods (SW Iran). Geodesy and Cartography, 43(4), 125–130. https://doi.org/10.3846/20296991.2017.1371649.
[16] ARMSTRONG, M., 1998, Basic linear geostatistics. Berlin: Springer-Verlag, 1998P. 153.
[17] AZEVEDO, L., SOARES, A., 2014, Geostatistical joint inversion of seismic and electromagnetic data. Geosciencias Aplicadas Latino America 1:45–52.
[18] BASHORE, W.M., ARAKTINGI, U.G., LEVY, M., and SCHWELLER, W.J., 1994, Importance of a geological framework and seismic data integration for reservoir modeling and subsequent fluid-flow predictions. Stochastic Modeling and Geostatistics. Yarus, J.M. and Chambers, R.L. (eds.). American Association of Petroleum Geologists, Tulsa, OK. pp. 159-175.
[19] BIERNACIK, P., KAZIMIERSKI, W., WŁODARCZYK-SIELICKA, M., 2023, Comparative analysis of selected geostatistical methods for bottom surface modeling. Sensors, 23, 3941. https://doi.org/10.3390/s23083941.
[20] BORDENAVE, M.L., AND HEGRE, J.A., 2006, The influence of tectonics on the entrapment of oil in the Dezful embayment, Zagros fold belt, Iran. J. of petroleum Geology, 28 (4), 339-368. https://doi.org/10.1111/j.1747-5457.2005.tb00087.x.
[21] CAO, R., ZEE MA, Y., GOMEZ, E., 2014, Geostatistical applications in petroleum reservoir modelling. J. S. Afr. Inst. Min. Metall., 114 (8), 625-631.
[22] CELLMER, R., 2014, The possibilities and limitations of geostatistical methods in real estate market analyses.Real Estate Management and Valuation, 22 (3), 54-62.
[23] CHAMBERS, R.L., YARUS, J.M., 2010, Practical geostatistics—An armchair overview for petroleum reservoir engineers, SPE 103357. J Petrol Technol 2006:78–86.
[24] CHAMBERS, R.L., YARUS, J.M., AND HIRD, K.B., 2000, Petroleum geostatistics for nongeostatisticians. The Leading Edge, 19 (5), 449-560.
[25] CHOPRA, S., MARFURT, K., 2007, Seismic attributes for prospect identification and reservoir characterization: Geophysical Development Series No. 11, SEG, 123–151.
[26] CHOPRA, S., MICHELENA, R.J., 2011, Introduction to this special section: Reservoir characterization. The Leading Edge, 30(1), 35-37. DOI: 10.1190/1.3535430.
[27] DELFINER, P., 2007. Three pitfalls of phi-K transforms. SPE Formation Evaluation and Engineering, Dec. 2007. pp. 609-617.
[28] DERAISME, J., ALLEN, O., and RENARD, D., 2000, Multi-layer reservoir modeling.
[29] DERIKVAND, B., ALAVI, S.A., ABDOLLAHIE FARD, I., JALALI, L., 2019, Changing in fold geometry from faulted detachment fold to fault-bend fold, a case study: The Zeloi anticline in the Dezful embayment, southwest of Iran. Journal of Petroleum Science and Engineering, 173, 381-4012018. 10.033.
[30] DEUTSCH, C.V, 2002, Geostatistical reservoir modeling, Oxford Univeasity Press, 367p.
[31] DEUTSCH, C.V. and JOURNEL, A.G., 1992, Geostatistical software library and user's guide. Oxford University Press. 340 pp.
[32] DEUTSCH, C.V., JOURNEL, A.G., 1998, GSLIB: Geostatistical software library and users guide; Oxford University Press: New York, NY, USA, 369p.
[33] DEUTSCH, C.V., TRAN, T.T. FLUVSIM, 2002, A program for object-based stochastic modeling of fluvial depositional system. Comput. Geosci., 28, 525–535.
[34] DEVKOTA, J.U., and SINGH, R.S., 2010, Deterministic and probabilistic models with applications to modeling fertility data. Journal of Applied Statistical Science, 18(2), 161-176.
[35] EMSHOFF, J.R., and SISSON, R.L., 1970, Design and use of computer simulation models. New York: The Macmillan Company, p. 6.
[36] FALIVENE, O., ARBUES, P., GARDINER, A., PICKUP, G., MUNOZ, J.A., and CABRERA, L., 2006. Best practice stochastic facies modeling from a channel-fill turbidite sandstone analog. AAPG Bulletin, 90 (7), 1003-1029.
[37] FERNANDEZ, O., MUNOZ, J.A., ARBUES, P., FALIVENE, O., and MARZO, M., 2004, Three dimensional reconstruction of geological surfaces: AN example of growth strata and turbidite systems from the Ainsa Basin (Pyrenees, Spain). AAPG Bull., 88, 1049-1068.
[38] GORDON, G., 1969, System Simulation. New York: Prentice-Hall, Inc. p. 7.
[39] HALDORSEN, H.H.; DAMSLETH, E., 1990, Stochastic Modeling. J. Pet.Technol., 42, 404–412.
[40] HALDORSEN, H.H.; MACDONALD, C.J., 1987, Stochastic modelling of underground reservoir facies (SMURF). In Proceedings of the 62nd SPE Annual Technical Conference and Exibition, Dallas, TX, USA, 27–30. September 1987; SPE (7: 16751). Sosciety of Petroleum Engineers: Richardson, TX, USA.
[41] HAO, T., ZHONG, L., ZHU, T., ZHANG, X., WANG, X., AND ZHANG, L., 2020, A new prediction method of reservoir porosity based on improved Kriging interpolation. J. Phys.: Conf. Ser. 1707 012018. 2020 International Conference on Physics, Mechanics and Mathematical Science. doi:10.1088/1742-6596/1707/1/012018.
[42] HAUGE, R., SYVERSVEEN, A.R., and MACDONALD, 2003, Modeling facies bodies and petrophysical trends in turbidite reservoir, SPE 84053, 7P.
[43] HIGHLAND, H.J., 1970, A taxonomy of models. 8p., ACM Digital Library.
[44] HJORT, N.L., 1994, Topics in spatial statistics [with discussion, comments and rejoinder]. Scand. J. Stat., 21, 289–357.
[45] HOLMES, A.J., STRATTON, M.T., BAILLY, A.R., GOTTSCHALL, J.S., FEITO, Y., HA, P.L., LAVIGNE, A., PERSAUD, K., GAGNON, H.L., KRUEGER, A., MODJESKI, A., ESMAT, T.A., HARPER, L.N., VAN DUSSELDORP, T.A., and HESTER, G.M., 2018, Effects of plyometric- and cycle-based high-intensity interval training on body composition, aerobic capacity, and muscle function in young females: a field-based group fitness assessment. Canadian Journal of Earth Sciences, 55 (7).
[46] HOSSEINI, E., GHOLAMI, R. and HAJIVAND, F., 2019, Geostatistical modeling and spatial distribution analysis of porosity and permeability in the Shurijeh-B reservoir of Khangiran gas field in Iran. J. Petrol. Explor. Prod.Technol, 9, 1051–1073. https://doi.org/10.1007/s13202-018-0587-4.
[47] JACKSON, P.L., MELTZOFF, A.N., DECETY, J., 2005, How do we perceive the pain of others? A window into the neural processes involved in empathy. NeuroImage, 24(3), 771–9. doi: 10.1016/j.neuroimage.2004.09.006.
[48] JENNINGS, A.L., DAVIES, A.N., HIGGINS, J.P.T., GIBBS, J.S.R., BROADLEY, K.E., 2002, A systematic review of the use of opioids in the management of dyspnoea FREE. Thorax, 57 (11).
[49] JONES, T.A., AND MA, Y.Z., 2001, Geologic characteristics of hole-effect variograms calculated from lithology-indicator variables. Mathematical Geology, 33, 615-629.
[50] JOURNEL, A.G., AND HUIJBREGTS, C.J., 1978, Mining geostatistics. Academic Press, New York. 600 pp.
[51] JOURNEL, A.G., ISAAKS, E.H., 1984, Conditional indicator simulation: Application to a Saskatchewan uranium deposit. J. Int. Assoc. Math. Geol., 16, 685–718.
[52] KAMALI, M.R., OMIDVAR, A., and KAZEMZADEH, E., 2013, 3D Geostatistical modeling and uncertainty analysis in a carbonate reservoir, SW Iran. J. of geological Research, 2013, Article ID 687947.
[53] KELLKER, M., AND PEREZ, G., 2002, Applied geostatistics for reservoir characterization, Society of Petroleum Engineers Inc., 264p.
[54] KLEINGELD, W.J., LANTUEJOUL, C., PRINS, C.F., THURSTON, M.L., 1997, The conditional simulation of a Cox process with application to deposits with discrete particles. In Geostatistics Wollongong ’96; Baafi, E.Y., Schofield, N.A., Eds.; Kluwer Academic. Dordrecht, The Netherlands, 683–694.
[55] KOK, M.V., and ULKER, B., 2007, Reserve estimation using geostatistics. Energy Sources, Part A: Recovery. Utilization, and Environmental Effects, 30 (2), 93-100.
[56] KRIGE, D.G., 1951, A statistical approach to some basic mine valuation problems in the Witwatersrand. Journal of the Chemical, Metallurgy, and Mining Society of South Africa, 52, 119-139.
[57] LABOURDETTE, R., PONCET, J., SEGUIN, J., TEMPLE, F., HEGER, J. and IRVING, A., 2006.Three –dimensional modeling of stacked turbidite channels in West Africa: impact on dynamic reservoir simulation. Petroleum Geoscience, 12, 335-345.
[58] LANTUEJOUL, C., 1987, Geostatistical simulation: Models and algorithms. Minerva Ginecol. 39, 503–510.
[59] Le Loc’h, G., Galli, A., 1997, Truncated Plurigaussian method: Theoretical and practical points of view. In Geostatistics Wollongong; Klewer Academic Publishers: Dordrecht, The Netherlands, 211–233.
[60] LI, H., and WHITE, C.D., 2003, Geostatical shale models for a deltaic reservoir analog from 3D GPR data to 3D flow modeling, AAPG Annual Convention Salt Lake City, Utah, May 11-14, 6P.
[61] LIM, J., SON, C.B., and KIM, S., 2023, Scenario-based 4D dynamic simulation model for in-situ production and yard stock of precast concrete members. Journal of Asian Architecture and Building Engineering, 22 (4), 2320-2334. https://doi.org/10.1080/13467581.2022.2145214.
[62] LIU, Y., SPENCER, S., 2004, Dynamic simulation of grinding circuits. Minerals Engineering, 17 (11–12), 1189-1198.
[63] LIU, Y.Z., 2003, Algorithm Research for Text Information Extraction Based on Hidden Markov Model. Master’s Thesis, Hunan University, Changsha.
[64] LOUCKS, R.G., MESCHER, P. K., and MCMECHAN, G.A., 2004, Three dimensional architecture of a coalesced paleocave system in the Lower Ordovician Ellenberger Group, central Texas, AAPG Bull., 88, 545-564.
[65] MA, Y.Z., 2009, Propensity and probability in depositional facies analysis and modeling. Mathematical Geosciences, 41. 737-760. doi: 10.1007/s11004-009-9239-z.
[66] MA, Y.Z., GOMEZ, E., YOUNG, T.L., COX, D.L., LUNEAU, B., and IWERE, F., 2011, Integrated reservoir modeling of a Pinedale tight-gas reservoir in the Greater Green River Basin, Wyoming. Uncertainty Analysis and Reservoir Modeling. In: Ma, Y.Z., and La Pointe, P., (eds.). AAPG Memoir 96. American Association of Petroleum Geologists, Tulsa, OK.
[67] MA, Y.Z., SETO A., and GOMEZ, E., 2008, Frequentist meets spatialist: a marriage made in reservoir characterization and modeling. SPE 115836, Society of Petroleum Engineers, Annual Technical Conference and Exhibition. SPE, Denver, CO.
[68] MA, Y.Z., SETO, A., and GOMEZ, E., 2009, Depositional facies analysis and modeling of Judy Creek reef complex of the Late Devonian Swan Hills, Alberta, Canada. AAPG Bulletin, 93 (9), 1235-1256. doi: 10.1306/ 05220908103.
[69] MALEKI, M.; EMERY, X.; MERY, N., 2017, Indicator variograms as an aid for geological interpretation and modeling of ore deposits. Minerals, 7, 241.
[70] MARINI, M.; FELLETTI, F.; BERETTA, G.P.; TERRENGHI, J., 2018, Three geostatistical methods for hydrofacies simulation ranked using a large borehole lithology dataset from the Venice Hinterland (NE Italy). Water, 10, 844.
[71] MATHERON, G., 1963, Principles of geostatistics. Economic Geology, 58, 1246-1266.
[72] MATHERON, G., BEUCHER, H., DE FOUQUET, C., GALLI, A., GUERILLOT, D., RAVENNE, C., 1987, Conditional simulation of the geometry of fluvio-deltaic reservoirs. In Proceedings of the 62nd SPE Annual Technical Conference and Exhibition, Dalas, TX, USA, 27–30 September 1987; SPE Paper No. 167563. Formulation Evaluation and Reservoir Geology Soceitey of Petroleum Engineers: Richardson, TX, USA, 591–599.
[73] MING-LI, B., XIAO-GANG, X., CAI-HONG, L., & GUO-QIANG, C., 2019, Discussion on 3D visualization model of geological structure. Journal of Physics: Conference Series, 1345(5), 052014. doi:10.1088/1742-6596/1345/5/052014.
[74] MIRZAEI-PAIAMAN, A., SANTOS, S.M.G., SCHIOZER, D.J., 2022, Iterative sequential robust optimization of quantity and location of wells in field development under subsurface, operational and economic uncertainty. Journal of Petroleum Science and Engineering, 218, 111005https://doi.org/10.1016/j.petrol.2022.111005.
[75] MITRA, S., and LESLIE, W., 2003, Three dimensional structural model of the Rhourde el Baguel field, Algeria, AAPG Bull., 87, 231-250.
[76] MODE, A.W., AND ANYIAM, A.O., 2007, Reservoir characterization: Implications from petrophysical data of the “Paradise-Field”, Niger Delta, Nigeria. Pacific Journal of Science and Technology, 8, 194-202.
[77] NORMANDO., M.N., DO NASCIMENTO JR., D.R., FILHO, F.N., BATEZALLI, A., DOS SANTOS, F.H., OLIVEIRA, K.M.L., DE ALMEIDA, N.M., 2022, A proposal for reservoir geostatistical modeling and uncertainty analysis of the Curimã Field, Mundaú Sub-Basin, Ceará Basin, Brazil. Journal of South American Earth Sciences. 114, 103716.
[78] NWANKWO, C.N., OHAKWERE-EZE, M., AND EBENIRO, J.O., 2015, Hydrocarbon reservoir volume estimation using 3-D seismic and well log data over an X-field, Niger Delta Nigeria. J. Petrol. Explor. Prod. Technol., 5, 453–462.
[79] OLIVER, M.A., AND WEBSTER, R., 2014, A tutorial guide to geostatistics: Computing and modelling variograms and kriging. CATENA, 113, 56-69.
[80] OSINOWO, O.O., AYORINDE, J.O., NWANKWO, C.P., EKENG, O.M., TAIWO, O.B., 2018, Reservoir description and characterization of Eni field Offshore Niger Delta, southern Nigeria. J Petrol Explor Prod Technol, 8, 381–397 (2018)..
[81] PAPOULIS, A., 1965, Probability, random variables and stochastic processes. McGraw-Hill, New York. 583 pp.
[82] PYRCZ, M.J., CATUNEANU, O., DEUTSCH, C.V., 2005, Stochastic surface-based modeling of turbidite lobes. AAPG Bulletin, 89 (2), 177-191.
[83] PYRCZ, M.J., DEUTSCH, C. V., 2014, Geostatistical reservoir modeling, 2nd ed. Oxford University Press,433p.
[84] QUINN, N.W.T., TANSEY, M.K., LU, J., 2021, Comparison of deterministic and statistical models for Water Quality Compliance Forecasting in the San Joaquin River Basin, California. Water, 13, 2661.
[85] REZVANDEHY, M., and DEUTSCH, C.V., 2017, Horizontal variogram inference in the presence of widely spaced well data. Petroleum Geoscience, 24, 219 – 235. https://orcid.org/0000-0002-1252-3234.
[86] Rivoirard, J. 2001, Which models for collocated cokriging? Mathematical Geology, 33, 117-131.
[87] ROXAR SOFTWARE SOLUTION, 2003, RMS user guide release 7.0.
[88] SANUADE, O.A., AKANJI, A.O., OLADUNJOYE, M.A., OLAOJO, A.A., FATOBA, J.O., 2017a, Hydrocarbon reservoir characterization of “AY” field, deep-water Niger Delta using 3D seismic and well logs. Arabian J. Geoscience, 10, 1-17.
[89] SANUADE, O.A., AKANJI, A.O., OLAOJO, A.A., OYEYEMI, K.D., 2017b, Seismic interpretation and petrophysical evaluation of SH field, Niger Delta. Journal of Petroleum Exploration and Production Technology, 8 (1), 51-60.
[90] SCOTT, J.A., PUJOL, M., GYÖRE, D., STUART, F.M., GILFILLAN, S.M.V., 2021, Determining static reservoir connectivity using noble gases. Chemical Geology, 582, 120410.
[91] SIDDIQUI, N.A., MATHEW, M.J., MENIER, D., HASSAAN, M., 2017, 2D and 3D seismic simulation for fault modeling: exploratory revision from the Gullfaks field. J Petrol Explor Prod Technol 7, 417–432. https://doi.org/10.1007/s13202-016-0301-3.
[92] SOLEIMANI, B., NAZARI, K., BAKHTIAR, H.A., HAGHPARAST, G., and ZANDKARIMI, G., 2008, Three-Dimensional geostatistical modeling of oil reservoirs: A case study from the Ramin oil field in Iran. Journal of Applied Sciences, 8, 4523-4532.
[93] SRIVASTAVA, R.M., 1994, An overview of stochastic methods for reservoir characterization. In: Stochastic modeling and geostatics: Principles, methods and case studies. In: Yarus, J.M., and Chambers, R.L., (edt.), Computer application in geology, AAPG, 3, Tulsa, Oklahoma, USA, 379P.
[94] STREBELLE, S., and JOURNEL, A., 2001, Reservoir modeling using multiple point statistics: Presented at the Society of Petroleum Engineers Annual Technical Conferences and Exhibition, SPE Paper 71324, 10p.
[95] SWEET, M. L., BLEWDEN, C. J., CARTER, A. M. & MILLS, C. A., 1996, Modeling heterogeneity in a low-permeability gas reservoir using geostatistical techniques, Hyde Field, southern North Sea. AAPG Bulletin, 80, 1735-1719.
[96] TALEBI, H., ALAVI, S.A., SHERKATI, SH., GHASSEMI, M.R., and GOLALZADEH, A.R., 2018, In-situ stress regime in the Asmari reservoir of the Zeloi and Lali oil fields, northwest of the Dezful embayment in Zagros fold-thrust belt, Iran. Geosciences, 106, 53-68.
[97] VAROUCHAKIS, E.A., 2021, Gaussian Transformation Methods for Spatial Data. Geosciences, 11, 196. https://doi.org/10.3390/geosciences11050196.
[98] WADA, K., 2020, Outliers in official statistics. Jpn J Stat Data Sci 3, 669–691. https://doi.org/10.1007/s42081-020-00091-y.
[99] WANG, L., HE, J., ZHANG, T., and ZHU, P., 2014, Research on geostatistical analysis approaches. Journal of Chemical and Pharmaceutical Research, 6(6),1796-1799.
[100] WANG, Z., LI, R., DING, Y., and WU, J., 2019, Reservoir Classification and Evaluation Method Based on Storage-permeate and Degree of Heterogeneity. 5th Annual International Workshop on Materials Science and Engineering, IOP Conf. Series. Materials Science and Engineering, 585, 012094. doi:10.1088/1757-899X/585/1/012094.
[101] WU ET AL., 2006, 3D Stochastic Modelling of Heterogeneous Porous Media-Applications to Reservoir Rocks. Transport in Porous Media, 65, 443-467.
[102] XU, W., TRAN, T.T., SRIVASTAVA, R.M., and JOURNEL, A.G., 1992, Integrating seismic data in reservoir modeling: the collocated cokriging alternative. SPE 24742. Society of Petroleum Engineers, 67th Annual Technical Conference and Exhibition. SPE, Denver, CO. pp. 833-842.
[103] YAN, Y., ZHANG, L., and LUO, X., 2020, Modeling three-dimensional anisotropic structures of reservoir lithofacies using two-dimensional digital outcrops. Energies, 13, 4082. doi:10.3390/en13164082.
[104] YU, X., MA, Y.Z., GOMEZ, E., PSAILA, D., LA POINTE, P.R., LI, S., 2011, Reservoir Characterization and Modeling: A Look Back to See the Way Forward. In: Uncertainty Analysis and Reservoir Modeling: Developing and Managing Assets in an Uncertain World, Ma, Y.Z., La Pointe, P.R, (edt.), AAPG MEMOIR. https://doi.org/10.1306/13301421M963458.
[105] ZHANG, Z., LIU, C., LIU, G., 2019, Dynamic and static comprehensive evaluation method for reservoir connectivity of low-permeability oilfield [J]. Lithologic Reservoirs, 31(5), 108-113. doi: 10.12108/ yxyqc.20190512.
[106] ZHAO, X., ZHANG, Y., XIE, S., QIN, Q., WU, S., LUO, B., 2020, Outlier Detection Based on Residual Histogram Preference for Geometric Multi-Model Fitting. Sensors, 20, 3037.
Reservoir characteristics prediction using the geostatistical model.
Case study: Bangestan reservoir, Ziloi Field, SW Iran
Soleimani, B. 1*, Khoram abadi, S. 2, Sheikhzadeh, H. 3
1*-Prof., Dept. Of Petroleum Geology and Sedimentary Basins, Shahid Chamran University of Ahwaz, Iran: soleimani_b@scu.ac.ir
2-Khoram abadi, S., MSc student of Geology Dept., of Research Center, Azad University, Tehran
3-NISOC, Ahwaz, Iran
Received: October 2023, Accepted: November 2023
Abstract
The geostatistical model is considered as a useful tool for predicting the oil potential of reservoirs. In the present study, an attempt is made to review the importance of the geostatistical model in the reservoir characteristics, to model and examine the changes in the petrophysical parameters of the Bangestan reservoir in the Ziloi field despite the limited number of boreholes. This carbonate reservoir consists of Ilam, Surgah and Sarvak formations and was divided into eight zones. In the modeling process, the information required for the 3D model, including geophysical interpretations, well description information, and 2D maps along with their quality control (QC), were entered into the RMS software. The construction model was prepared based on the top levels of the structures and the depth information of the wells entering the reservoir.
These data were used indirectly or directly in software with high grading capability to create levels. The depth level map of the top of Ilam Formation was entered into the model as an interpretation level, digitalization and as a base contour map. Isochore maps of other zones were prepared using the depths of wells entering different parts of the reservoir. The prediction of the distribution pattern of changes in the petrophysical features of the reservoir was prepared based on geostatistical methods, average porosity maps, and water saturation. According to the results of the modeling, it was revealed that the Ziloi field has a structural complexity, caused the heterogeneity of the reservoir and increased the risk of predicting the behavior of the reservoir. Comparison of reservoir zones showed that zone 3 has better hydrocarbon potential than other zones. One of the effective factors to improve its reservoir quality is the dolomitization process. Changes in the distribution values of water saturation and porosity showed that the reservoir properties improve from the southeast to the northwest of the field.
Key words: Zeloi field, Bangestan reservoir, Geostatistic model, Porosity, Reservoir characterization
