طراحی مدل گروهی تخمین تراوایی مخزن هیدروکربوری با استفاده از نگاره¬هاي پتروفيزيكي بر اساس تفكيك ليتولوژيكي
الموضوعات :
عباس سلحشور
1
(دانشگاه ایوانکی)
احمد گائینی
2
(دانشگاه ایوانکی)
علیرضا شاهین
3
(دانشگاه اصفهان)
مصیب کمری
4
(شرکت ملی نفت)
الکلمات المفتاحية: تراوايي, مدل گروهي, ليتولوژي, يادگيري ماشين, نگاره هاي پتروفيزيكي.,
ملخص المقالة :
تراوايي يا نفوذپذيري، یکی از خصوصیات مهم مخازن نفت و گاز است که پیش بینی آن دشوارمي باشد. در حل حاضر از مدل های تجربی و رگرسیوني برای پیش بینی نفوذپذیری استفاده مي شود كه شامل صرف زمان و هزينه هاي زياد مرتبط با اندازه گیری آزمایشگاهی است. در چند وقت اخیر، به دلیل قابلیت پیش بینی بهتر، از الگوریتم های یادگیری ماشین برای پیش بینی تراوايي استفاده شده است. در این مطالعه، مدل یادگیری ماشین گروهي جدیدي برای پیش بینی تراوايي در مخازن نفت و گاز معرفی شده است. در این روش ، داده های ورودي با استفاده از اطلاعات ليتولوژي لاگ ها برچسب گذاري شده و به تعدادي از دسته ها تفكيك مي شوند و هر دسته توسط الگوریتم یادگیری ماشین مدل سازی شد. برخلاف مطالعات قبلی که به صورت مستقل روي مدل ها كار مي كردند در اينجا ما ضمن طراحي يك مدل گروهي با استفاده از الگوريتم هاي ETR وDTR و GBR و داده هاي پتروفيزيكي، توانستيم صحت و دقت پيش بيني همچينين خطاي ميانگين مربعات را به طرز چشم گيري بهبود ببخشيم و تراوايي را با دقت 99.82 درصد پيش بيني كنيم. نتایج نشان داد که مدل های گروهي در بهبود دقت پیش بینی تراوايي در مقایسه با مدل های انفرادي تاثير فراواني دارند و همچنين تفكيك نمونه ها بر اساس اطلاعات ليتوژي دليلي بر بهينه نمودن تخمين تروايي نسبت به تحقيقات گذشته بود.
[1]. North F.K (1985) Petroleum Geology, Allen & Unwin.
[2]. Ramzi H.R (1998) Well Logging, SANAM Publishing.
[3]. Oberto S. (1984) Fundamentals of Well-Log Interpretation - The Acquisition of Logging Data, Elsevier.
[4]. Ayyadevara V. (2018) Pro Machine Learning Algorithms, Apress.
[5]. Lakhmi C. Jain (2016) Foundations and Methods in Combinatorial and Statistical Data Analysis and Clustering, Springer Press.
[6]. Shalev-Schwartz Sh. (2014) understanding-machine-learning-theory-algorithms, Cambridge University Press.
[7]. Mitchell M. (1997) Machine-Learning-Tom-Mitchell, McGraw-Hill.
[8]. Ahmadi Mohammad ali Zhangxing Chen (2018), Comparison of machine learning methods for estimating permeability and porosity of oil reservoirs via Petro-physical logs, KeAi Elsevier,6,2:831-844.
[9]. Adeniran A. (2019) A competitive ensemble model for permeability prediction in heterogeneous oil and gas reservoirs, Elsevier Paper, 4, 80:353-367.
[10]. Waszkiewicz S., rakowska-Madejska P., Puskarczyk E. (2019), Estimation of absolute permeability using artificial neural networks (Multilayer perceptron) based on well logs and laboratory data from Silurian and Ordovician deposits in SE Poland, Springer, 6, 67:1885–1894.
[11] Fatai A., Abdulazeez A., Abdullatif A. (2013), Improved Permeability Prediction from Seismic and Log Data using Artificial Intelligence Techniques, SPE 164465, pp 1-3.
[12] Salahshoor A., Soheyli F., Kamari m. (2014), Optimization of machine learning algorithms for estimating the permeability of underground oil and gas reservoirs ", Journal of Iranian Oil Exploration and Production,3, 120: 56-62.
[13] Tayebi H., Habibniya B. (2018), A case study of carbonate reservoir permeability determination using NMR log in one of the southwestern fields of Iran, Iranian Journal of Petroleum Geology, 7, 13:43-62.
[14] Hakiminezhad H., Mirzarezaei M., Najar B. (2019), Estimation of permeability using uncertainty methods: type -2 fuzzy system, Iranian Journal of Geophysics, 12, 1: 82-91.
