تخمين اشباع آب سازندي با استفاده از رگرسيون قطعهاي غيرخطي، آناليز خوشه‌اي و روش شبيه سازي مونت کارلو در يکي از مخازن هيدروکربوري جنوب غربي ايران
الموضوعات :هادی فتاحی 1 , زهر ورمزیاری 2 , مصطفی یوسفی راد 3
1 - دانشگاه صنعتی اراک
2 - دانشگاه صنعتی اراک
3 - دانشگاه صنعتی اراک
الکلمات المفتاحية: اشباع آب سازندي روش رگرسيون قطعهاي - غيرخطي روش آناليز خوشه اي روش شبيه سازي مونت کارلو آناليز حساسيت ,
ملخص المقالة :
تخمين اشباع آب سازندي با استفاده از داده‌هاي چاه‌نگاري، يک روش مهم برای اکتشاف نفت و تعيين ويژگي‌هاي مخزن به حساب مي‌آيد که شبيه‌سازي و تخمين اين پارامتر را امري اجتناب ناپذير مي‌کند. در اين پژوهش در گام نخست براي ايجاد يک مدل و تخمين اشباع آب سازندي از ترکيب آناليز خوشه‌اي با رگرسيون قطعهاي غيرخطي بهره گرفته شده است. در مرحله‌ي بعد به کمک مدل ايجاد شده و روش شبيه سازي مونت کارلو، مقادير اشباع آب سازندي شبيه‌سازي شده است. براي اين کار از بانک اطلاعاتي مجموعه داده‌هاي تصحيح شده در ميدان نفتي مارون استفاده شده است. نتايج بدست آمده از ترکيب آناليز خوشه‌اي با رگرسيون قطعهاي غيرخطي و شبيه‌ساري مونت کارلو نشان از دقت و کارايي قابل قبول اين شبيه‌سازي را مي‌دهد، به طوري که ميانگين مقادير اشباع آب سازندي در مدلسازي با مقادير اندازه‌گيري شده در آزمايشگاه بسيار به هم نزديک مي‌باشند. بعلاوه در اين تحقيق از آناليز حساسيت جهت تعيين موثرترين پارامتر ورودي، در تعيين اشباع آب سازندي استفاده شده است. بر اساس نتايج بدست آمده تاثيرگذارترين متغير در تخمين درجه اشباع آب لاگ چگالي ميباشد. لازم به ذکر است که نتايج اين پژوهش تنها براي منطقه مورد مطالعه صادق است و براي ساير مناطق تنها استفاده از متودولوژي اين پژوهش توصيه مي‌شود.
[1] Kamel M. H., Mabrouk W. M. 2002, An equation for estimating water saturation in clean formations utilizing resistivity and sonic logs: theory and application: J Pet Sci Eng, 36, 159-168.#
[2] Amiri M., Zahedi G., Yunan M. H. 2015, Reducing predictive uncertainty in log-derived water saturation models in a giant tight shaly sandstones–A case study from Mesaverde tight gas reservoir: J Natu Gas Sci Eng, 23, 380-386.#
[3] Mabrouk W. M., Soliman K. S., Anas S. S. 2013, New method to calculate the formation water resistivity (R w): J Pet Sci Eng, 104, 49-52.#
[4] Lee M., Collett T. 2011, In-situ gas hydrate hydrate saturation estimated from various well logs at the Mount Elbert Gas Hydrate Stratigraphic Test Well, Alaska North Slope: Mar Petrol Geol, 28, 439-449.#
[5] Worthington P. F. 1993, The uses and abuses of the Archie equations, 1: The formation factor-porosity relationship: J Appl Geophys, 30, 215-228.#
[6] Na’imi S., Shadizadeh S., Riahi M., Mirzakhanian M. 2014, Estimation of reservoir porosity and water saturation based on seismic attributes using support vector regression approach: J Appl Geophys, 107, 93-101.#
[7] Habibi M. J., Mokhtari A. R., Baghbanan A., Namdari S. 2014, Prediction of permeability in dual fracture media by multivariate regression analysis: J Pet Sci Eng, 120, 194-201.#
[8] Huang D., Sima L., Wu F., Wang L., Li Q. 2015, Estimating saturation exponent from NMR logging: Arab J Geosci, 8, 6771-6778.#
[9] Al-Bulushi N., King P. R., Blunt M. J., Kraaijveld M. 2009, Development of artificial neural network models for predicting water saturation and fluid distribution: J Pet Sci Eng, 68, 197-208.#
[10] Vadapalli U., Srivastava R., Vedanti N., Dimri V. 2014, Estimation of permeability of a sandstone reservoir by a fractal and Monte Carlo simulation approach: a case study: Nonlinear Processes in Geophysics, 21, 9-18.#
[11] Quandt R. E. 1958, The estimation of the parameters of a linear regression system obeying two separate regimes: Journal of the american statistical association, 53, 873-880.#
[12] Michel O. J., Hero A. O., Badel A. E. 1999, Tree-structured nonlinear signal modeling and prediction: IEEE Transactions on Signal Processing, 47, 3027-3041.#
[13] Pandit Y. P., Badhe Y. P., Sharma B., Tambe S. S., Kulkarni B. D. 2011, Classification of Indian power coals using K-means clustering and Self Organizing Map neural network: Fuel, 90, 339-347.#
[14] Alpaydin E. (2014) Introduction to machine learning. MIT press, #
[15] Alsabti K., Ranka S., Singh V. 1997, An efficient k-means clustering algorithm.#
[16] Ding C., He X. K-means clustering via principal component analysis. In: Proceedings of the twenty-first international conference on Machine learning, 2004. ACM, p 29#
[17] Ng H., Ong S., Foong K., Goh P., Nowinski W. Medical image segmentation using k-means clustering and improved watershed algorithm. In: 2006 IEEE Southwest Symposium on Image Analysis and Interpretation, 2006. IEEE, pp 61-65#
[18] Kawrakow I. 2000, Accurate condensed history Monte Carlo simulation of electron transport. II. Application to ion chamber response simulations: Medical physics, 27, 499-513.#
[19] Milner R. (1971) An algebraic definition of simulation between programs. Citeseer, #
[20] Arian M., Mohammadian R. 2011, Analysis of Fractures in the Asmari Reservoir of Marun Oil Field (Zagros): Geosciences, 20, 88-96.#
