کاربرد شبکه عصبی در ارزیابی پتروفیزیکی سازند آسماری در یک چاه تولیدی واقع درجنوب غرب ایران

تعیین پارامترهای پتروفیزیکی و بررسی توزیع آن‌ها در عمق مخزن، می‌تواند منجر به زون‌بندی جدید و تغییر ضخامت زون تولیدی میادین شود. کانی‌های رسی از دسته کانی‌های بومی سازندها هستند که در بیشتر سازندهای هیدروکربوری حضور داشته و با کاهش پارامترهای مهم مخزنی و کلیدی از جمله تخلخل و تراوایی پتانسیل تولید را کاهش می‌دهند. در این پژوهش، هدف بررسی پتروفیزیکی سازند آسماری با تلفیق انواع روش‌های سنتی و هوشمند به منظور تخمین حجم رس و ارزیابی کیفیت مخزن است. برای تخمین پتروفیزیکی حجم رس به روش‌های سنتی، روابط پتروفیزیکی بویان پاسی، استیبر، کلاویر، لارینف 1 (با توجه به سن سازند) و جوزانی‌کهن بر داده‌های نگار پرتوی گاما اعمال شد که با مقایسه با 15 داده‌ آزمایشگاهی این پارامتر در اعماق معلوم، کمترین خطا %45 به دست آمد. سپس، برای کاهش خطا به مدل‌سازی توسط شبکه عصبی (mlp) پرداخته شد که با تخمین داده‌های آزمایشگاهی، تعداد 259 داده تولید و با تابع فعال‌سازی تانژانت زیگموئید، الگوریتم آموزش لونبرگ مارکوات، تعداد 6 نرون و 1 لایه پنهان آموزش داده شد. خروجی‌های حجم رس شبکه عصبی طبقه‌بندی شد و جنس سازندی به طور عمده ماسه‌سنگی رسی تعیین شد. با بررسی نمودارهای چگالی تخلخل سنگ‌شناسی سازندی تعیین و بازه‌های با کیفیت مخزنی خوب و مناسب برای عملیات مشبک‌کاری معرفی شدند. داده‌های نمودار پرتوزایی گاما و تخلخل نوترونی نیز طبقه‎بندی شد و بازه‌های با کیفیت سازندی از ضعیف تا عالی معرفی شدند که در نهایت با تلفیق تمامی نتایج حاصل از مطالعات در این پژوهش کیفیت کلی سازند آسماری در چاه موردمطالعه خوب برآورد شد.

THE APPLICATION OF NEURAL NETWORK METHOD IN PETROPHYSICAL EVALUATION OF ASMARI FORMATION IN A PRODUCING WELL IN SOUTHWEST OF IRAN

Determination of petrophysical parameters and their distribution in the reservoir can lead to new zonation and change of production thickness zone.clay minerals exist in most of oil reservoirs and reduce important parameters such as porosity, permeability and production potential.The purpose of this study was to investigate the petrophysical properties of Asmari Formation by combination of different traditional petrophysical methods for volume of clay estimation and reservoir evaluation studies. The traditional calibration of gamma ray log such as Bhuyan – Passey, Larionov1, Steiber, Clavier and Jozanikohan relationships were applied which resulted to 45% relative error for estimation of clay minerals in compare to the 15 known laboratory values of this parameter. In the next step, neural network modeling was performed to reduce relative error. 259 data were estimated from laboratory values and trained with Tangent Sigmoid Activation Function, LevenbergMarquardt training algorithm, 6 neurons and 1 hidden layer in a MLP neural network. The clay volume outputs of the neural network were classified and the body of the reservoir determined to be sandstoneclay. By investigating the densityporosity crossplots, formation lithology and good quality reservoir intervals were introduced for Perforation operation. The gammaray data and neutron porosity data were also categorized to give the low to high quality intervals. Finally, by combination all the results in this study, the quality of Asmari formation were estimated to be good.