مدل سازی تخلخل توسط رویکرد تئوری بیزین ترکیب اطلاعات ومقایسه آن با شبکه عصبی چند لایه ورگرسیون خطی چند گانه در میدان نفتی آزاد گان
محورهای موضوعی :عطیه مظاهری طرئی 1 , حسین معماریان 2 , بهزاد تخم چی 3 , بهزاد مشیری 4
1 - دانشگاه تهران
2 - دانشگاه تهران
3 - دانشگاه صنعتی شاهرود
4 - دانشگاه تهران
کلید واژه:
چکیده مقاله :
پارامتر تخلخل یکی از مهمترین خصوصیات مخزن می باشد که با مطالعه مغزه بدست می آید .با این وجود تمامی چاه های یک میدان دارای مغزه نیستند.هم چنین در برخی از چاهها مانند چاه های افقی مغزه گیری عملا غیر ممکن است .ولی تقریبا در تمامی چاه ها نمودار گیری صورت می گیرد .به طو معمول از نمودار های چاه نگاری به منظور تخمین تخلخل نیز استفاده می شود .تخلخلی که از این نگار ها بدست می آیدتحت تاثیر عواملی هم چون دما ،فشار،نوع سیال ،میزان هیدرو کربور وشیل موجود در سازند قرار می گیرند ودر نتیجه با میزان واقعی تخلخل کمی متفاوت است .بنابر این تخمین ها توام با خطا وعدم قطعیت هستند .شاید بهترین ودر عین حال عملی ترین روش جهت کاهش عدم قطعیت تخمین ،استفاده از منابع مختلف داده جهت تخمین ودر واقع استفاده از تکنیک های ترکیب اطلاعات باشد .کار کرد اصلی این تکنیک ها ،افزایش اطمینان وکاهش ریسک در تصمیم گیر ی ها است . در این تحقیق ، برای تعیین مقادیر خلخل ،با استفاده از داده های چهار چاه واقع در میدان نفتی آزادگان ،ابتدا از دو تکنیک شبکه عصبی چند لایه ورگرسیون خطی چند گانه استفاده شده ودر نهایت نتایج این روش ها با تکنیک ترکیب اطلاعات (تئوری بیزین )مقایسه شده است .برای برسی قابلیت تعمیم این سه روش در هر تکنیک ،پارامتر تخلخل در یک چاه دیگر میدان نیز تخمین زده شده است .تعداد متغیر های ورودی برای تخمین تخلخل در چاه مورد مطالعه در روش های شبکه عصبی ورگرسیون خطی چند گانه 7 است ودرتکنیک ترکیب اطلاعات نیز از حداکثر 7 متغیر ورودی استفاده شده است .در نهایت با مقایسه نتایج حاصل از 3 روش نامبرده مشاهده شده است که تکنیک ترکیب اطلاعات (تئوری بیزین)از اعتبار بالاتری برخوردار است ودر تخمین تخلخل به مقدار قابل توجهی از دو تکنیک شبکه عصبی چند لایه ورگرسیون خطی چند گانه بهتر عمل نموه است ؛به نحوی که همبستگی نتایج با واقعیت بیش از 90%به دست آمده است .
Porosity parameter is an important reservoir property that can be obtained by studying the well core. However, all wells in a field do not have a core. Additionally, in some wells such as horizontal wells, measuring the well core is practically impossible. However, for almost all wells, log data is available. Usually these logs are used to estimate porosity. The porosity value obtained from this method is influenced by factors such as temperature, pressure, fluid type, and amount of hydrocarbons in shale formations. Thus it is slightly different from the exact value of porosity. Thus, estimates are prone to error and uncertainty. One of the best and yet most practical ways to reduce the amount of uncertainty in measurement is using various sources and data fusion techniques. The main benefit of these techniques is that they increase confidence and reduce risk and error in decision making. In this paper, in order to determine porosity values, data from four wells located in Azadegan oil field are used. First, multilayer neural network and multiple linear regressions are used to estimate the values and then the results of these techniques are compared with a data fusion method (Bayesian theory). To check if it would be possible to generalize these three methods on other data, the porosity parameter of another independent well in this field is also estimated by using these techniques. Number of input variables to estimate porosity in both the neural network and the multiple linear regressions methods is 7, and in the data fusion technique, a maximum of 7 input variables is used. Finally, by comparing the results of the three methods, it is concluded that the data fusion technique (Bayesian theory) is a considerably more accurate technique than multilayer neural network, and multiple linear regression, when it comes to porosity value estimation; Such that the results are correlated with the ground truth greater than 90%.
