پیش‌گویی داده‌های ژئوشیمیایی از نگارهای چاه‌پیمایی و نشان‌گرهای لرزه‌ای با استفاده از روش بهینه‌سازی کلنی مورچگان در میدان نفتی منصوری

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه زمین‌شناسی، دانشکده علوم، دانشگاه سیستان و بلوچستان، زاهدان، ایران

2 گروه زمین‌شناسی، دانشکده علوم طبیعی، دانشگاه تبریز، ایران

3 گروه زمین‌شناسی، شرکت ملی مناطق نفت‌خیز جنوب، اهواز، ایران

چکیده

محتوای کل کربن آلی مهم‌ترین فاکتور ژئوشیمیایی جهت ارزیابی سنگ منشأ محسوب می‌شود. با در نظر گرفتن کمبود داده‌های محتوای کل کربن آلی در مناطق اکتشافی و پرهزینه و وقت‌گیر بودن آنالیز راک- ایول، توسعه یک روش نوین برای تخمین مستقیم این پارامتر از لاگ‌های چاه‌پیمایی و داده‌های لرزه‌ای هدف این مطالعه قرار گرفت. در این مطالعه، داده‌های لرزه‌ای 2 بعدی و داده‌های پتروفیزیکی سازند پابده از 4 چاه میدان نفتی منصوری مورد استفاده قرار گرفت. همچنین روش ΔLog R جهت پیش‌گویی محتوای کل کربن آلی از داده‌های پتروفیزیکی استفاده شد. مقادیر کل کربن آلی محاسبه شده به‌عنوان ورودی آنالیز چند نشان‌گری برای یافتن ارتباط منطقی با نشان‌گرهای لرزه‌ای مورد استفاده قرار گرفت. در این مطالعه وارون‌سازی لرزه‌ای براساس الگوریتم شبکه عصبی به دلیل دقت بالا اجرا شد و امپدانس صوتی به‌دست آمده به‌عنوان نشان‌گر بیرونی استفاده شد. سپس شبکه عصبی احتمالاتی با استفاده از نشان‌گرهای پیشگویی شده حاصل از رگرسیون چندگانه آموزش داده شد. متعاقباً کل کربن آلی با ضریب تطابق 75% توسط نشان‌گرهای لرزه‌ای تخمین زده شد. در مرحله بعدی پژوهش، روش بهینه‌سازی کلنی مورچگان غیرخطی به‌عنوان یک ابزار هوشمند جهت تخمین و تولید یک مقطع لرزه‌ای کل کربن آلی از نشان‌گرهای لرزه‌ای مورد استفاده قرار گرفت. کلنی مورچگان غیرخطی ضرایب وزنی را برای نشان‌گرهای لرزه‌ای محاسبه نمود. در انتها با استفاده از این ضرایب و داشتن نشان‌گرهای لرزه‌ای، یک مقطع لرزه‌ای کل کربن آلی تولید شد.
 

کلیدواژه‌ها


عنوان مقاله [English]

Geochemical data prediction from well log data and seismic attributes using Ant Colony Optimization technic in Mansuri Oil field

نویسندگان [English]

  • Hoda Abdizadeh 1
  • Ali Kadkhodaie 2
  • Ali Ahmadi 1
  • Mohammad Heidarifard 3
1 Department of Geology, Faculty of science, University of Sistan and Baluchestan, Zahedan, Iran
2 Department of Geology, Faculty of Natural sciences, University of Tabriz, Iran
3 Department of Geology, National Iranian South Oil Company (NISOC), Ahvaz, Iran
چکیده [English]

Total organic carbon is among the most important geochemical factors for source rock assessment. Considering the general scarcity of measured total organic carbon data in exploration area together with expensive and time consuming procedure of Rock-Eval pyrolysis, development of a new method for direct estimation of TOC parameter from well log and seismic data is an important issue and the object of this study. In this paper, 2D seismic data and petrophysical data of the Pabdeh Formation from 4 wells of the Mansuri Oil field are used. Also ΔLog R was used to predict TOC values from petrophysical data. The calculated values were used as inputs for a Multi Attribute Analysis to find a logical relation with seismic attributes. In this study, seismic inversion was performed based on Neural Networks Algorithm and the resulting acoustic impedance was utilized as an external attribute. Afterwards, a probabilistic neural network was trained using a set of predicting attributes derived from multiple regression. Subsequently, TOC was estimated by using seismic attributes with correlation coefficient of 75%.  In the next step of study, the nonlinear Ant Colony Optimization technique was utilized as an intelligent tool to estimate and production TOC seismic section from seismic attributes. Nonlinear Ant Colony calculates weight factors for each of seismic attributes. Finally, having these weights and seismic attributes, TOC seismic section was produced.
 

کلیدواژه‌ها [English]

  • Total Organic Carbon
  • Well Logs
  • Seismic Inversion
  • Probabilistic Neural Network
  • Ant Colony Optimization
[1]. Mendelson J. D. and Toksoz M. N., “Source rock characterization using multivariate analysis of log data,” In: Trans. SPWLA Ann. Logging Symposium 26, UU1-UU21, 1985.##
[2]. Kamali M. R. and Mirshady A. A., “Total organic carbon content determined from well logs using ∆logR and neuro fuzzy techniques,” Journal of Petroleum Science and Engineering, Vol. 45, pp. 141–148, 2004.##
[3]. Kadkhodaie-Ilkhchi A., Rahimpour-Bonab H. and Rezaee M. R., A committee machine with intelligent systems for estimation of total organic carbon content from “petrophysical data: an example from Kangan and Dalan reservoirs in South Pars Gas Field, Iran,” Journal of Comput, Geosci., Vol. 35, pp. 459-474, 2009a.##
[4]. Dorigo M. and Stützle T., “Ant Colony Optimization. MIT Press, Cambridge,” MA, USA p. 319, 2004.##
[5]. Dorigo M., Caro G.D. and Gambardella L.M., “Ant algorithms for discrete optimization,” Artif Life, Vol. 5, No. 3, pp.137-172, 1999.##
[6]. Razavi S. F. and Jalali-Farahani F., “Optimization and parameters estimation in petroleum engineering problems using ant colony algorithm,” Journal of Petroleum Science and Engineering, Vol. 74, pp. 147-153, 2010.##
[7]. Blum C., Ant colony optimization, “Introduction and recent trends,” Physics of Life Reviews 2, pp. 353-373, 2005.##
[8]. Dorigo M., Maniezzo V. and Colorni A., Ant System: “Optimization by a colony of cooperating a gents,” IEEE Trans. Syst. Man. Cybernet. Part B, Vol. 26, No. 1, pp. 29-41, 1996.##
[9]. Løseth H., Wensasa L., Gading M., Duffaut K. and Springer M., “Can hydrocarbon source rocks be identified on seismic data,” Doi: 10.1130/G32328.1., Geology, Vol. 39, pp. 1167-1170, 2011.##
[10]. Jianliang J., Zhaojun L., Qingtao M., Rong L., Pingchang S. and Yongcheng C., “Quantitative  Evaluation of Oil Shale Based on Well Log and 3-D Seismic Technique in the Songliao Basin,” Northest China. Estonian Academy Publishers, Vol. 29, No. 2, pp. 128-150, 2012.##
[11]. Kadkhodaie-Ilkhchi A., Rezaee M. R., Rahimpour-Bonab H., and Chehrazi A., “Petrophysical data prediction from seismic attributes using committee fuzzy inference system,” Computers and Geosciences, Vol. 35, No. 12, PP. 2314-2330, 2009b.##
[12]. “HRS User’s Guide,” 2007##
[13]. “##MATLAB User’s Guide,” 2009
[14]. Dorigo M., Di Caro G., “Ant colony optimization: a new metaheuristic,” In: Proceeding of the 1999 Congress on Evolutionary Computation, Vol. 2, pp. 1470–1477, 1999.##
[15]. Toksarı M. D., “Ant colony optimization for finding the global minimum,” Applied Mathematics and Computation, Vol. 176, No. 1, pp. 308–316, 2006.##
[16]. Passey O. R., Moretti F. U. and Stroud J. D., “A practical modal for organic richness from porosity and resistivity logs,” American Association of Petroleum Geologists Bulletin., Vol. 74, pp. 1777-1794, 1990.##
[17]. Russell B. H., “The application of multivariate statistics and neural networks to the prediction of reservoir parameters using seismic attributes,” Ph.D. Dissertation, University of Calgary, Alberta, p. 392, 2004.##
[18]. Taner M. T., Schuelke J. S., O’Doherty R. and Baysal E., “Attributes revisited,” SEG (Society of Exploration Geophysicists) Expanded Abstracts 13, pp. 1104–1107, 1994.##
[19]. Chen Q. and Sidney S., “Seismic attribute technology for reservoir forecasting and monitoring. The Leading Edge,” Vol. 16, No. 5, pp. 445–456, 1997.##
[20]. حیدری خ.، "مطالعه جامع زمین‌شناسی مخزن آسماری در میدان نفتی منصوری،" پایان‌نامه کارشناسی ارشد، دانشگاه شهید چمران اهواز، ص. 125، 1381. ##
[21]. James G. A. and Wynd I. O., “Stratigraphic nomenclature of Iranian oil consortium agreement area,” AAPG, Bulletin, Vol. 49, No. 12 , pp. 2182-2245, 1965.##