آنالیز یک مدل‌سازی ترکیبی به منظور تعیین TOC در سنگ‌های منشأ میدان نفتی اهواز

نوع مقاله : مقاله پژوهشی

نویسندگان

گروه زمین‌شناسی، دانشکده علوم، دانشگاه فردوسی مشهد، ایران

چکیده

محتوای کل کربن آلی (TOC) یکی از نخستین عوامل مهم در مطالعات ژئوشیمیایی سنگ منشأ است. این پارامتر با ارزش توسط دستگاه‌هایی همچون پیرولیز راک- ایول اندازه‌گیری می‌شود، که با وجود دقت زیاد بسیار وقت‌گیر و پرهزینه است. پژوهش حاضر یک مدل‌سازی مدرن ترکیبی را برای تخمین مقادیر TOC پیشنهاد نموده است. روش هیبریدی PSO-BP الگوریتمی تکامل یافته از ادغام دو الگوریتم هوشمند بهینه‌سازی اجتماع ذرات و الگوریتم پس انتشار خطا است، که با دقت بالایی روابط بین داده‌های چهار نگاره پتروفیزیکی (گاما، نوترون، مقاومت و صوتی) با TOC را شناسایی می‌کند. در این مطالعه نمونه‌های سنگ منشأ از سازندهای پابده، گورپی و کژدمی از میدان نفتی اهواز بررسی شده است. نتایج حاصل نشان می‌دهد که انطباق بسیار خوب میان مقادیر TOC برآورد شده توسط الگوریتم هیبریدی PSO-BP نسبت به مقادیر اندازه‌گیری شده با پیرولیز راک- ایول وجود دارد. مقایسه نتایج با مطالعات پیشین نیز نشان می‌دهد که روش طراحی شده PSO-BP، نسبت به الگوریتم‌های جداگانه یا روش‌های ترکیبی مشابهی که تاکنون مطرح شده‌اند در تخمین مقادیر TOC در میدان نفتی اهواز کارایی بیشتری دارد.
 

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

The Analysis of a Hybrid Modeling for Determination of TOC in Source Rocks from the Ahwaz Oilfield

نویسندگان [English]

  • Ziba Hosseini
  • Asadollah Mahboubi
  • Ali Kadkhodaie
Department of Geology, College of Science, Ferdowsi University of Mashhad, Mashhad, Iran
چکیده [English]

Total organic carbon (TOC) is one of the important parameters in source-rock geochemical studies. This important parameter is measured by Rock-Evel pyrolysis. This method is more accurate, but it requires high cost and time. This research has proposed a modern hybrid model for the estimation of TOC. PSO-BP hybrid model is an evaluated algorithm by combining  particle swarm optimization (PSO) with  back propagation (BP) algorithms. The algorithm with high correlation finds the relation between 4 petrophysical logs (GR, CNL, LLD, and DT) with amount of TOC. In this case study, source rock samples from Pabdeh, Gourpi and Kajdomi formations in the Ahwaz oilfield are interested. Results show that there is high correlation between estimated TOC by PSO-BP model and measured TOC by Rock-Eval pyrolysis. The  correlation of the results with previously studies  demonstrates that PSO-BP model is more applicable than the individual algorithms or recently similar combined models in the Ahwaz oilfield.
 

کلیدواژه‌ها [English]

  • Total Organic Carbon (TOC)
  • Hybrid PSO-BP Algorithm
  • Petrophysical Data
  • Source Rocks
  • Ahwaz Oilfield
[1]. Bordenave M. L., “Applied petroleum geochemistry,” Paris: Editions technip, pp. 524, 1993.##
[2]. Waples D. W., “Geochemistry in petroleum exploration,” International Human Resources Development Corporation, Boston, pp. 215, 1985.##
[3]. Ashena R. and Moghadasi J., “Bottom hole pressure estimation using evolved neural networks by real coded ant colony optimization and genetic algorithm,” Journal of Petroleum Science and Engineering, Vol. 77, pp. 375-385, 2011.##
[4]. Tabatabaei S. M. E., Kadkhodaie-Ilkhchi A., Hosseini Z. and Asghari Moghaddam A., “A hybrid stochastic-gradient optimization to estimating total organic carbon from petrophysical data: A case study from the Ahwaz oilfield, SW Iran,” Journal of Petroleum Science and Engineering, Vol. 127, pp. 35-43, 2015.##
[5]. Ali Ahmadi M., Zendehboudi S., Lohi A., Elkamel A. and Chatzis I., “Reservoir permeability prediction by neural networks combined with hybrid genetic algorithm and particle swarm optimization,” Geophysical Prospecting, Vol. 61, No. 3, pp. 582-598, 2013.##
[6]. Irani R., Shahbazian M. and Nasimi R., “Permeability estimation of a reservoir based on neural networks coupled with genetic algorithms,” Petroleum Science and Technology, Vol. 29, No. 20, pp. 2132-2141, 2011.##
[7]. Nasimi R., Shahbazian M. and Irani R., “Permeability estimation of the reservoir based on particle swarm optimization coupled with artificial neural networks,” Petroleum Science and Technology, Vol. 29, No. 22, pp. 2329-2337, 2011.##
[8]. حسینی ز.، کدخدائی ع. و اصغری مقدم ا.، "شبیه‌سازی نگار ژئوشیمیایی با به کارگیری الگوریتم CACS مبتنی بر آنالیز خوشه‌بندی،" پژوهش نفت، شماره 82، صفحات 156-168، 1394.##
[9]. حسینی ز.، کدخدائی ع. و طباطبائی م. ا.، "به‌کارگیری مدل ترکیبی GA-BP جهت برآورد مقدار کل کربن آلی (TOC) از داده‌های پتروفیزیکی،" مجله زمین‌شناسی کاربردی پیشرفته، شماره 15، صفحات 40-50، 1394.##
[10]. Tan M., Song X., Yang X. and Wu Q., “Support-vector-regression machine technology for total organic carbon content prediction from wireline logs in organic shale: A comparative study,” Journal of Natural Gas Science and Engineering, Vol. 26, pp. 792-802, 2015.##
[11]. Kumar A. and Sinha S.K., “Total organic carbon prediction for shale gas exploration using statistical clustering, multiple regression analysis,” In 10th Biennial International Conference and Exposition, No. P293, p. 4, 2013.##
[12]. Sepehr M. and Cosgrove J.W., “Structural framework of the Zagros foldthrust belt, Iran,” Marine and Petroleum Geology, Vol. 21, No. 7, pp. 829-843, 2004.##
[13]. Rabbani A. H., Hassanzadeh G. and Dehyadegari E., “Asphaltene deposition under CO2 injection: an experimental study of the bangestan reservoir of Ahwaz oilfield, SW Iran,” Petroleum Science and Technology, Vol. 30, No. 1, pp. 9-15, 2012.##
[14]. عبدی‌زاده ه.، کدخدائی ع.، شایسته م. و حیدری‌فرد م. ح.، "تعیین کل کربن آلی (TOC) و رخساره‌های آلی از داده‌های چاه‌پیمایی به کمک معادلات هوشمندانه مشتق شده و آنالیز خوشه‌ای: مطالعه موردی از میدان نفتی اهواز، جنوب‌غرب ایران،" پژوهش نفت، دوره 25، شماره 84، صفحات 161-172، 1394.##
[15]. Larose D. T., “Discovering knowledge in data: an introduction to data mining,” Second Edition, Jhon Wiley & Sons Inc, p. 240., 2014.##
[16]. Carlisle A. and Dozier G., “An off-the-shelf PSO, proc. proceedings of the workshop on particle swarm optimization,” Indianapolis, IN, pp. 1-6, 2001.##
[17]. Truong Vu V., “A comparison of particle swarm optimization and differential evolution,” Int. J. Soft Comput., Vol. 3, No. 3, pp. 13-30, 2012.##
[18]. Marini F. and Walczak B., “Particle swarm optimization (PSO). A tutorial,” Chemometrics and Intelligent Laboratory Systems, Vol. 149, pp. 153-165, 2015.##
[19]. Hosseini Z. and Nakhaei M., “Estimation of groundwater level using a hybrid genetic algorithm-neural network, Pollution,” Vol. 1, No. 1, pp. 9-21, 2015.##
[20]. عبدی‌زاده ه.، کدخدائی ع. و شایسته م.، "ساخت نگار کل کربن آلی (TOC) از داده‌های چاه‌پیمایی به کمک تکنیک الگوریتم ژنتیک در میدان نفتی اهواز،" پژوهش‌های چینه‌نگاری و رسوب‌شناسی، جلد 28، شماره 4، صفحات 95-110، 1391.##
[21]. علیزاده ب.، معروفی خ. و حیدری‌فرد م. ح.، "اعتبارسنجی و مقایسه دو روش شبکه عصبی مصنوعی و ∆LogR در ارزیابی محتوای ماده آلی سنگ‌های منشأ: مطالعه موردی از سازند پابده میدان نفتی مارون،" پژوهش‌های چینه‌نگاری و رسوب‌شناسی، جلد 28، شماره 3، صفحات 1-18، 1391.
[22]. Shekarifard A., “A new approach to interpreting relationship between Rock-Eval S2 and TOC data for source rock evaluation based on regression analyses,” Geopersia, Vol. 5, No. 1, pp. 1-6, 2015.
[23]. قلی‌پور س.، کدخدائی ع. و کمالی م. ر.، "تخمین نگار کربن آلی کل با استفاده از داده‌های ژئوشیمیایی و پتروفیزیکی توسط شبکه عصبی مصنوعی در میدان نفتی آزادگان،" پژوهش نفت، دوره 25، جلد 85، شماره 2، صفحات 100-110، 1394.
[24]. امیری بختیار ح.، تلما دره‌ای ع.، شایسته م.، حیدری فرد م.ح. و طالبی ح.، "تخمین میزان مواد آلی (TOC) و بررسی نفت‌زایی سازند پابده در میادین نفتی اهواز و مارون: با استفاده از روش "∆ log R"،" پژوهش نفت، دوره 21، شماره 68، صفحات 81-71، 1390.