خوشه‌بندی خصوصیات مخزن جهت تشخیص نوع سنگ با استفاده از روش کی-میانگین در یکی از میادین نفتی جنوب غرب ایران

تعیین گونه های سنگ در ساخت مدل استاتیک و پویای مخازن هیدروکربنی از اهمیت ویژه ای برخوردار می باشد. تخمین دقیق خواص سنگ های مخزنی، باعث افزایش دقت و صحت در پیش بینی میزان ذخیره مخزن و عملکرد آن می شود. تاکنون مدل های متعددی برای تعیین گونه های سنگ های مخزن توسط متخصصین پیشنهادشده است؛ اما اکثر مدل های پیشنهادی بر اساس روش های متداول مدل محور مهندسی و زمین شناسی سنگ های مخزنی کربناته استوار بوده است. بنابراین استفاده از یک روش یادگیری ماشین برای تعیین گونه های سنگی در مقایسه با روش های پیشین و مقایسه کارایی و عملکرد آن با سایر روش ها ضروری به نظر می رسد. در این مطالعه داده های مغزه و لاگ در مخزن نفتی مارون پس از آماده سازی، با استفاده از تکنیک سری‌های زمانی پویا (dtw) هم عمق سازی شده اند. سپس داده های مغزه توسط روش یادگیری ماشین غیر نظارتی کیمیانگین خوشه بندی شدند. همچنین فرآیند خوشه بندی داده های مغزه توسط روش های متداول مدل محور از قبیل روش شاخص منطقه جریانی (fzi) و وینلند نیز انجام گردید. در ادامه نتایج خوشه بندی با استفاده از روش های کیمیانگین، شاخص منطقه جریانی و وینلند با در اختیار داشتن اطلاعات لیتولوژی لاگ ها صحت سنجی شده و با یکدیگر مقایسه شده است. روش کیمیانگین با معیار صحت سنجی 93.5 درصد، موفق به انجام بیشترین تفکیک پذیری خوشه ها شد که نشان داد روش یادگیری ماشین مبتنی بر داده کیمیانگین، جایگزین مناسبی برای روش های متداول مدل محور برای خوشه بندی گونه های سنگی می باشند.

Reservoir Characterization Clustering Analysis to Identify Rock TypeUsing KMEANS Method in South West Iranian Oil Field

Determination of rock types is of special importance in the construction of static and dynamic models of hydrocarbon reservoirs. Estimating the properties of reservoir rocks increases the accuracy in predicting the amount of reservoir storage and its performance. Numerous models have been proposed by experts to determine the types of reservoir rocks. But most of the proposed models are based on conventional methods based on engineering and geology of carbonate reservoir rocks. Therefore, using a machine learning method to determine rock species in comparison with previous methods and comparing its efficiency and performance with other methods seems necessary. In this study, core and log data in maroon oil reservoir after preparation were match using Dynamic Time Series (DTW) technique for depth matching. The brain data were then clustered by the nonsupervised machine learning method. The kernel data clustering process was also performed by conventional modelbased methods such as flow zone index method (FZI) and Winland. Then, the clustering results were validated and compared with kmeans, FZI and Winland methods by having the lithology information of the logs. The kmeans method with a 93.5% accuracy criterion succeeded in performing the highest cluster resolution, which showed that the kmeans databased machine learning method is a suitable alternative to conventional modelbased methods for clustering rock typing.