تخمین امتیاز‌دهی ژئوفیزیکی توده سنگ (GSR) از داده‌های لرزه‌ای در مخازن کربناته با استفاده از سیستم‌های هوشمند: با مثالی از میدان گازی پارس جنوبی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشکده زمین‌شناسی، پردیس علوم، دانشگاه تهران، ایران

2 دانشکده مهندسی نفت، دانشگاه کرتین، پرت، استرالیا

چکیده

امتیاز‌دهی ژئوفیزیکی توده سنگ (GSR)، که در این مطالعه برای مخازن کربناته معرفی شده است، یک امتیاز‌دهی تجربی از مقاومت ژئومکانیکی سنگ‌ها است. GSR یک امتیاز‌دهی از 10 تا 100 را فراهم می‌کند که مقادیر پایین مربوط به سنگ‌هایی هستند که از لحاظ مقاومتی و پایداری دیواره چاه ضعیف هستند و سنگ‌های شیلی و نیز سنگ‌های مخزنی با تخلخل و تراوایی بالا را در بر می‌گیرند. در مقابل، مقادیر بالای GSR در ارتباط با سنگ‌های بکر است که فاقد نقاط ضعف از قبیل شکستگی‌ها، ناپیوستگی‌ها و حفرات هستند. در این مطالعه، GSR با استفاده از معادلاتی که برای سنگ‌های آواری طراحی شده‌اند براساس نگارهای پتروفیزیکی محاسبه شده است. میدان مورد مطالعه، میدان گازی پارس جنوبی است که توالی کربناته پرمو-تریاس کنگان دالان در آن میزبان تجمعات عظیم گاز است. GSR محاسبه شده همبستگی بسیار خوبی با تخلخل و ضرایب الاستیک سنگ‌های کربناته مطالعه شده نشان می‌دهد. تمایز بین سنگ‌های مخزنی و بخش‌های شیلی غیر مخزنی به‌راحتی با کنار هم گذاشتن GSR و نگارهای چاه‌پیمایی امکان‌پذیر است. مقادیر بسیار پایین GSR که ارتباط خوبی با نگار پرتو گاما دارند، شاخص فواصل شیلی است. که این فواصل می‌توانند مسبب ریزش دیواره چاه، مچالگی لوله جداری و دیگر مشکلات وابسته به حفاری شوند. اگر مقادیر پایین GSR با نگار پرتو گاما ارتباط خوبی نداشته باشند، نشان‌دهنده توزیع بخش‌های مخزنی است. در انتها پس از محاسبه GSR، مقادیر آن با استفاده از یک مدل شبکه عصبی احتمالی از داده‌های لرزه‌ای سه بعدی پس از برانبارش میدان پارس جنوبی تخمین زده شده است. مقادیر بالای ضریب همبستگی بین GSR واقعی و مقادیر تخمین زده شده توسط شبکه عصبی، صحت مدل هوشمند را در تخمین GSR نشان می‌دهد. مکعب سه بعدی ساخته شده از GSR می‌تواند اساسی برای ساخت مدل‌های ژئومکانیکی بعدی در میدان گازی پارس جنوبی باشد.
 

کلیدواژه‌ها


عنوان مقاله [English]

Estimation of Geophysical Strata Rating (GSR) from Seismic Data in Carbonate Reservoirs by Using Intelligent Systems: an Example from the South Pars Gas Field

نویسندگان [English]

  • Mohammad Ali Faraji 1
  • Hossain Rahimpour Bonab 1
  • Ali Kadkhodaie 2
1 Department of Geology, School of Science, University of Tehran, Iran
2 Department of Petroleum Engineering, Curtin University, Perth, Australia
چکیده [English]

The Geophysical Strata Rating (GSR), which is introduced in this study for carbonate reservoirs, is an empirical strength rating of rocks. It provides ratings from 10 to 100 where the lower values correspond to rocks; such as, shales which are weak from a borehole stability point of view and also the porous, permeable reservoir rocks. In comparison, the higher values of GSR are associated with intact rocks with few defects in the form of fractures and discontinuities and low porosity. In this study, GSR is calculated from petrophysical data using the equations developed in clastic rocks. The region investigated is the South Pars gas field where the Permo-Triassic Dalan and Kangan reservoirs host the largest accumulations of gas in the world. The GSR results are in good agreement with porosity and elastic moduli of these carbonate rocks. Discrimination between reservoir and non-reservoir shaly units would easily be obtained by comparing GSR and well logs. Very low GSR values, with high gamma ray log responses, indicate the shaly intervals. These can cause washouts, casing collapse and other related drilling problems. Intervals with low GSR values and low gamma ray log responses indicate the presence of good reservoir units. Finally, a 3D GSR model is estimated from 3D post-stack seismic data of the South Pars gas field, by using a probabilistic neural network model. Strong correlations between neural network predictions and actual GSR data at unseen borehole locations proved the validity of the intelligent model in GSR estimation. This 3D GSR cube can be utilized for construction of geomechanical models over the South Pars gas field.
 

کلیدواژه‌ها [English]

  • GSR
  • Well Logs
  • Wellbore Stability
  • Multi-Regression Analysis
  • Probabilistic Neural Network
  • 3D model
[1]. Bieniawski Z. T., “Engineering rock mass classifications a complete manual for engineers and geologists in mining, civil, and petroleum engineering”, John Wiley & Sons, 1989.##
[2]. Mark C. and Molinda G. M., “The Coal Mine Roof Rating (CMRR) – a decade of experience,” International Journal of Coal Geology, Vol. 64, pp. 85-103, 2005.##
[3]. Barton N. Loser F. Lien R. and Lunde J., “Application of Q-system in design decisions concerning dimensions and appropriate support for underground installations”, ISRM International Symposium-Rockstore 80, Stockholm, Sweden, 23-27 June 1980.##
[4]. Wickham G. E., Tiedemann H. R. and Skinner E. H., “Support determinations based on geologic predictions”, North American Rapid Excav. and Tunnelling Conf, Chicago, United States, 1972.##
[5]. Medhurst T. and Hatherly P., “Geotechnical strata characterization using geophysical borehole logs”, Proceedings of the 24th International Conference on Ground Control in Mining. Morgantown, West Virginia University, United States, 2005.##
[6]. Hatherly P. J., Medhurst T. P. and MacGregor S. A., “A rock mass rating scheme for clastic sediments based on geophysical logs”, Proceedings of the International Workshop on Rock Mass Classification in Underground Mining, Pennsylvania, United States, 2007.##
[7]. Huuse M. and Feary D. A., “Seismic inversion for acoustic impedance and porosity of Cenozoic cool-water carbonates on the upper continental slope of the Great Australian Bight”, Marine Geology, Vol. 215(3-4), pp. 123–134, 2005.##
[8]. Lavergne M. and Willm C., “Inversion of seismograms and pseudo velocity logs”, Geophysical Prospecting, Vol. 25(2), pp. 231–250, 1977.##
[9]. Becquey M., Lavergne M. and Willm C., “Acoustic impedance logs computed from seismic traces”, Geophysics, Vol. 44(9), pp. 1485–1501, 1979.##
[10]. Kadkhodaie-ilkhchi R., Moussavi-harami R. and Rezaee, R., “Seismic inversion and attributes analysis for porosity evaluation of the tight gas sandstones of the Whicher Range field in the Perth Basin, Western Australia”, Journal of Natural Gas Science and Engineering, Vol. 21, pp. 1073-1083, 2014.##
[11]. Yao T. and Chopra A., “Integration of seismic attribute map into 3D facies modeling”, Journal of petroleum Science and Engineering, Vol. 27(1), pp. 69–84, 2000.##
[12]. Abreu V. SullivanM. Pirmez C., Mohrig D. “Lateral accretion packages (LAPs): an important reservoir element in deep water sinuous channels”, Marine and Petroleum Geology, Vol. 20, Issue 6-8, pp. 631–648, 2003.##
[13]. Jian W. and Fanhua L., “Prediction of oil-bearing single sandbody by 3D geological modeling combined with seismic inversion”, Petroleum exploration and development, Vol. 36, Issue 5, pp. 623–627, 2009.##
[14]. Rezvandehy M., Aghababaei H. and Raissi S. H. T., “Integrating seismic attributes in the accurate modeling of geological structures and determining the storage of the gas reservoir in Gorgan Plain (North of Iran)”, Journal of Applied Geophysics, Vol. 73, Issue 3, pp. 187–195, 2011.##
[15]. Perez Muñoz T., Velasco Hernandez J. and Hernandez Martinez E., “Wavelet transform analysis for lithological characteristics identification in siliciclastic oil fields”, Journal of Applied Geophysics, Vol. 98, pp. 298–308, 2013.##
[16]. Pearson R., Hart B. and others, “Convergence of 3-D seismic attribute-based reservoir property prediction and geologic interpretation as a risk reduction tool: A case study from a Permian intraslope basin”, Expanded Abstracts, 69th Mtg., Soc. Expl. Geophys., Houston, USA, 1999.##
[17]. Hart B. S. and Balch R. S., “Approaches to defining reservoir physical properties from 3-D seismic attributes with limited well control: An example from the Jurassic Smackover Formation, Alabama”, Geophysics, Vol. 65, Issue 2, pp. 368–376, 2000.##
[18]. Leiphart D. J. and Hart B. S., “Comparison of linear regression and a probabilistic neural network to predict porosity from 3-D seismic attributes in Lower Brushy Canyon channeled sandstones, southeast New Mexico”, Geophysics, Vol. 66, Issue 5, pp. 1349–1358, 2001.##
[19]. Soubotcheva N. and Stewart R. R., “Predicting porosity logs from seismic attributes using geostatistics”, CREWES Res. Rep, 16, 2004.##
[20]. Na’imia S. R., Shadizadeha S. R., Riahib M. A., Mirzakhanianc M., “Estimation of reservoir porosity and water saturation based on seismic attributes using support vector regression approach”, Journal of Applied Geophysics, Vol. 107, pp. 93–101, 2014.##
[21]. Konert G., Afif A. M., AL-Hajari S. A., Droste H., “Paleozoic stratigraphy and hydrocarbon habitat of the Arabian Plate”, GeoArabia, Vol. 6, pp. 407–442, 2001.##
[22]. Alshahran A. S. and Nairn A. E. M., “Sedimentary basins and petroleum geology of the middle east”, Elsevier, 1997.##
[23]. Kashfi M. S., “Greater Persian Gulf Permian–Triassic stratigraphic nomenclature requires study”, Oil & Gas Journal, Vol. 6, pp. 36-44, 2000.##
[24]. Rahimpour-Bonab H., Esrafili-Dizaji B. and Tavakoli V., “Dolomitization and anhydrite precipitation in permo-triassic carbonates at the south pars gasfield, offshore Iran: controls on reservoir quality,” Journal of Petroleum Geology, Vol. 33, Isue 1, pp. 43–66, 2010.##
[25]. Szabo F. and Kheradpir A., “Permian and Triassic stratigraphy, Zagros basin, south-west Iran”, Journal of Petroleum Geology, Vol. 1, Issue 2, pp. 57–82, 1978.##
[26]. Aali J., Rahimpour-Bonab H. and Kamali M. R., “Geochemistry and origin of the world’s largest gas field from Persian Gulf, Iran”, Journal of Petroleum Science and Engineering, Vol. 50,Issue (3-4), pp. 161–175, 2006.##
[27]. Rahimpour Bonab H., Asadi Eskandar A. and Sonei R., “Effects of the permian–triassic boundary on reservoir characteristics of the South Pars gas field, Persian Gulf,” Geology Journal, Vol. 44, pp. 341-364, 2009.##
[28]. Medhurst T., Hatherly P. and Zhou B., “3D geotechnical models for coal and clastic rocks based on the GSR”, Proceedings of Coal Operators Conference, University of Wollongong, Australia, 2010.##
[29]. Vecken P. C. H. and Da Silva M., “Seismic inversion methods and some of their constraints”, First Break, Vol. 22(6), pp. 47–70, 2004.##
[30]. Cooke D. A. and Schneider W. A., “Generalized linear inversion of reflection seismic data”, Geophysics, Vol. 48(6), pp. 665–676, 1983.##
[31]. Russell B. H., “Introduction to seismic inversion methods”, Society of Exploration Geophysicists, 1988.##
[32]. Pramanik A. G. et al., “Post stack seismic inversion for enhancing vertical resolution”, Geohorizons, 2002.##
[33]. Hampson Russell User›s Guide, “Elog and emerge theory”, Hampson-Russell documentation, 2006.##
[34]. Zoback M. D., “Reservoir geomechanics”, Cambridge University Press, 2010.##
[35]. Rahimpour Bonab H., “A procedure for appraisal of a hydrocarbon reservoir continuity and quantification of its heterogeneity”, Journal of Petroleum Science and Engineering, Vol. 58(1), pp. 1–12, 2007.##