ارزیابی گونه‌های سنگ مخزن آسماری میدان گچساران با استفاده از روش آنالیز خوشه‌ای به کمک شبکه عصبی مصنوعی نگاشت خود سازمان یافته (SOM)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه زمین‌شناسی، دانشکده علوم، دانشگاه فردوسی مشهد، ایران

2 شرکت ملی مناطق نفت خیز جنوب، اهواز، ایران

چکیده

شناسایی تغییرات ویژگی‌های زمین‌شناسی و مخزنی در غالب گونه‌های سنگی از طریق مشخص کردن رخساره‌های لاگ و تایید آنها با داده‌های مغزه امکان‌پذیر است. در این مقاله ابتدا سازند آسماری با استفاده از مقاطع نازک مغزه، میکروفاسیس‌ها و فرایندهای دیاژنزی مورد مطالعه قرار گرفت. سپس با استفاده از الگوریتم شبکه عصبی خود سازمان یافته و روش آنالیز خوشه‌ای، داده‌های نمودارهای چاه‌پیمایی متعلق به 5 چاه مغزه‌گیری شده مخزن آسماری در میدان گچساران خوشه‌بندی شده و تعداد 5 رخساره لاگ به عنوان مدل رخساره لاگ انتخاب شدند. با بررسی این مدل و مقایسه آن با داده‌های مغزه (تخلخل، تراوایی و منحنی فشار موئینه) و پتروگرافی به طور قابل قبولی رخساره‌های لاگ تایید شده، و به عنوان گونه سنگی معرفی شدند. باتوجه به نتیجه خوب آن در تفکیک بخش‌های مخزنی، این مدل به سایر چاه‌های فاقد مغزه که فقط داده‌های نمودارهای چاه پیمایی آنها در دسترس بود انتشار داده شد و روند تغییرات گونه‌های سنگ در طول میدان مورد بررسی قرار گرفت.
 

کلیدواژه‌ها


عنوان مقاله [English]

Implementing a Cluster Analysis with the Aid of Self-Organized Map Artificial Neural Network for Assessment of the Asmari Reservoir Rock Type (Gachsaran Oil Field)

نویسندگان [English]

  • Mahdi Farshi 1
  • Seyyed Reza Moussavi Harami 1
  • Asadollah Mahboubi 1
  • Moahammad Khanehbad 1
  • Kiarash Ghanavati 2
1 Department of Geology, Faculty of Science, Ferdowsi University of Mashhad, Iran
2 National Iranian South Oil Company (NISOC), Ahwaz, Iran
چکیده [English]

Identification of geological and reservoir changes in accordance with changing rock types is possible through log-facies studies and confirmation of those facies with core data. In the present study, first, in order to determination of microfacies and diagenesis processes, the Asmarri formation has been studied using thin sections of cores. Then well logging and core data of 5 wellbores from Asmari reservoir in Gachsaran field were clustered with the aid of Self-Organizing Map Neural Network algorithm, and then 5 facies models were selected among log facies. The log facies were acceptably confirmed through consideration and comparison of these models with tow cases: (1) core data (porosity, permeability and capillary pressure curve) and (2) petrography. Afterward, the log facies were presented as reservoir rock types. Regarding the good results in distinguishing reservoir horizons, the model was propagated in other wellbores in which only logging data were available, and the trend of changes in rock types were investigated through the entire field.

کلیدواژه‌ها [English]

  • Rock type
  • Log facies
  • Clustering analysis
  • Self-Organized Map
[1] Izadi M. and Ghalambor A., “A new approach in permeability and hydraulic flow unit determination,” SPE Reservoir Evaluation & Engineering, Vol. 16, No. 3, pp. 257-264, 2013.##
[2]. Lucia F. J., “Rock-fabric/petrophysical classification of carbonate pore space for reservoir characterization,” AAPG Bulletin., Vol. 79, No. 9, pp. 1275-1300, 1995.##
[3]. Davies K. K., Williams B. P. J. and Vessell R. K., “Reservoir geometry and internal permeability distribution in fluvial,” Tight Gas Sandstones, Travis Peak Formation, Texas, Paper SPE 21850 Presented at the Rock Mountain Regional Meeting and Low Permeability Reservoirs Symposium, Denver, CO., pp. 15-17, 1991.##
[4]. Ali-Nandalal J. and Gunter G., “Characterizing reservoir performance for the mahogany 20 gas sand based on petrophysical and rock typing methods,” Paper SPE 81048 Presented at the SPE Latin American and Caribbean Petroleum Engineering Conference, Port-of-Spain, Trinidad, West Indies., pp. 27-30, 2003.##
[5]. Acosta L., “Reservoir study V9 of El furrial field,” Venezuela, Paper SPE 95047 Ppresented at the SPE Latin American and Caribbean Petroleum Engineering Conference, Rio de Janeiro, Brazil, pp. 20-23, 2005.##
[6]. Shenawi S. H., “Permeability and water saturation distribution by lithologic facies and hydraulic units: A reservoir simulation study,” Paper SPE 105273 Presented at the 15th SPE Middle East Oil & Gas Show and Conference, Kingdom of Bahrain, pp. 11-14, 2005.##
[7]. Perez H. H., Datta-Gupta A. and Mishra S., “The role of electrofacies, lithofacies and hydraulic flow units in permeability prediction from well logs,” SPE Reservoir Evaluation & Engineering., Vol. 8, pp. 143-155, 2005.##
[8]. Lee S. H., Kharghoria A. and Datta-Gupta A., “Electrofacies characterization and permeability predictions in complex reservoirs,” SPE Reservoir Evaluation & Engineering., pp. 237-248, 2002.##
[9]. Mathisen T., LeeS. H. and Datta-Gupta A., “Improved permeability estimates in carbonate reservoirs using electrofacies characterization: A case study of the North Robertson Unit, West Texas,” SPE 70034 Presented at the SPE Permian Basin Oil and Gas Recovery Conference, Midland, TX, May 15-16, 2001.##
[10]. Antelo R. and Aguirre O., “Permeability calculations from clustering electrofacies technique for the petrophysical evaluation in La Pena and Tundy oil fields,” SPE 69400-MS, 2001.##
[11]. Lin G. F. and Chen L. H., “Identification of homogeneous regions for regional frequency analysis using the self-organizing map,” Journal of Hydrology, Vol. 324, pp. 1-9, 2006.##
 [12]. Kumar B. and Kishore M., “Electrofacies classification a critical approach,” 6th International Conference & Exposition on Petroleum Geophysics", New Delhi, India, pp. 822-825, 2006.##
[13]. Rabiller P., “Facies prediction and data modeling for reservoir characterization,” 1st ed., Rabiller Geo Consulting, 2005.##
[14]. Serra O. and Sulpice L., “Sedimentological analysis of shale-sand series from well logs,” Transactions of the SPWLA 16th Annual Logging Symposium, 1975.##
[15]. Serra O. and Abbott H. T., “The contribution of logging data to sedimentary sedimentology and stratigraphy,” Society of Petroleum Engineers Journal, Vol. 22, No. 1, pp. 117-131, 1982.##
[16]. Hector H., Perez, Akhil Datta-Gupta, Mishra S., “The role of electrofacies, lithofacies, and hydraulic flow units in permeability predictions from well logs: A comparative analysis using classification trees", Society of Petroleum Engineers, 2003.##
[17]. آقچه لو م.، همتی آهویی ح. ر.، نبی بیدهندی م. و رحیمی بهار ع. ا.، "تعیین رخساره‌های سنگی با استفاده از خوشه‌سازی براساس نمودار با تفکیک‌پذیری چندتایی (MRGC) نمودارهای پتروفیزیکی چاه: بررسی یکی از میدان‌های خلیج فارس"، مجله ژئوفیزیک ایران، جلد 7، شماره 4، صفحه 11-13، 1392.##
[18]. رحیمی بهار ع. ا. و پرهام س.، "تجزیه و تحلیل رخساره‌های الکتریکی براساس رخساره‌های رسوبی"، نشریه علمی پژوهشی رخساره‌های رسوبی، دانشگاه فردوسی مشهد، 5 (1)، صفحه 61-74، 1391.##
[19]. Dayhoff J. E., “Neural network architectures-An introduction,” New York: Nostrand Reinhold., 1990.##
[20]. Kaski S., Kangas J. and Kohonen T., “Bibliography of self-organizing map (SOM) papers: 1981-1997,” Neural Computing Surveys, Vol. 1, pp. 102-350, 1998.##
[21]. Hewiston B. C. and Crane R. G., “Self-organizing maps: Applications to synoptic climatology,” Climate Research, Vol. 22, pp. 13-26, 2002.##
[22]. Kohonen T., “Self-organizing maps,” Springer, Berlin., 1995.##
[23]. Serra O., “Fundamentals of well log interpretation,” 3rd, Elsevier Science Publishers, p. 423, 1988.##