مطالعات مربوط به گونه های سنگی الکتریکی نقش بسیار مهمی را در فرایند توسعه یک میدان ایفا می کند. در این مطالعات از داده های تخلخل-تراوایی مغزه و لاگ های چاهپیمایی جهت شبیه سازی مخزن استفاده می شود. در پژوهش حاضر در ابتدا با استفاده از داده های تخلخل و تراوایی حاصل از مغزه چاه پیمایی به روش شاخص منطقه ای جریان چهار واحد جریانی برای این مخزن تعیین گردید. در تعدادی از چاههای میدان با استفاده از لاگ های چاهپیمایی مدل اولیه گونه سنگی الکتریکی به سه روش SOM ، MRGC و DYNAMICتعیین گردید، رخساره های تعیین شده با روشهای مختلف با واحد جریانی تعیین شده تطابق داده و از بین آنها روش SOM که دارای بیشترین تطابق بود انتخاب گردید،از بین 9 الکتروفاسیس اولیه ایجاد شده با توجه به شباهت برخی از پارامترها مانند تخلخل موثر و لاگ گاما به 4 الکتروفاسیس تقلیل داده شد، جهت اطمینان از دقت تعئین گونه سنگی الکتریکی توسط شبکه های عصبی، این الکتروفاسیس ها با داده های فشار موئینه تطابق داده و پس از تائید الکتروفاسیس های تعیین شده با فشار موئینه این رخساره ها در سایر چاههای میدان انتشار داده شد که منجر به ایجاد مدلی گردید که توانایی جدایش بخش های مختلف مخزنی را از همدیگر دارا بود. در این مدل قسمت های مختلف مخزن از نظرکیفیت مخزنی تعیین گردید. Manuscript profile

تراوایی از جمله مهمترین پارامترهای پتروفیزیکی است که نقشی اساسی را در بحث های تولید و توسعه میادین هیدروکربونی دارند. در این پژوهش ابتدا نمودار تشدید مغناطیسی هسته ای در مخزن آسماری مورد ارزیابی قرار گرفت و تراوایی با استفاده از دو روش مرسوم مدل سیال آزاد(Coates) و مدل شلمبرژه یا میانگین T2 (SDR) محاسبه شد. سپس با ساخت مدل ساده شبکه عصبی مصنوعی و همچنین ترکیب آن با الگوریتم های بهینه سازی رقابت استعماری (ANN-ICA) و ازدحام ذرات (ANN-PSO) تراوایی تخمین زده شد. در نهایت نتایج حاصل با مقایسه تراوایی COATES و تراوایی SDR تخمین زده شده نسبت به مقدار واقعی، مورد بررسی قرار گرفتند و دقت تخمین از نظر مجموع مربع خطا و ضریب همبستگی مقایسه شد. نتایج حاصل از این مطالعه، بیانگر افزایش دقت تخمین تراوایی با استفاده از ترکیب الگوریتم های بهینه سازی با شبکه عصبی مصنوعی بود. نتایج حاصل از این روش می تواند به عنوان روشی قدرتمند جهت بدست آوردن سایر پارامترهای پتروفیزیکی استفاده شود. Manuscript profile