کاربرد تحلیل خوشه‌ای داده‌های ژئوشیمی نفت برای تعیین پیوستگی مخزن سروک در یکی از میادین نفتی جنوب غرب ایران

در این مقاله از تحلیل خوشه‌ای داده‌های ژئوشیمی مولکولی نفت جهت تعیین پیوستگی افق‌های مخزنی سروک در یکی از میادین نفتی ایران، استفاده شد. این روش‌ها شامل تحلیل مولفه‌های اصلی (principal component analysis; pca)، تحلیل خوشه‌ای سلسله مراتبی (hierarchical cluster analysis; hca) و k میانگین است. بررسی‌های آماری برروی نسبت پیک‌های حاصل از کروماتوگرافی گازی با تفکیک بالا (highresolution gc; hrgc) و همچنین داده‌های بایومارکری حاصل از کروماتوگرافی گازی طیف‌سنج جرمی (gcms)، صورت گرفت. نتایج این بررسی نشان داد که نمودار ترسیم شده pc1 در مقابل pc2 برای نسبت زوج پیک‌های کروماتوگرافی گازی و نمودار ترسیم شده برای داده‌های بایومارکری شباهت بسیار زیادی با یکدیگر دارند. از سوی دیگر، تحلیل خوشه‌ای به‌روش hca نیز برای نشانه‌گرهای زیستی و پیک‌های کروماتوگرافی گازی انجام شد که نمونه‌های نفتی را دقیقاً شبیه به‌روش pca جدا کرده است. پس از ترسیم چندین پارامتر بلوغ بایومارکری در مقابل محور pc1، مشخص شد که رابطه خطی و مستقیمی بین آنها وجود دارد و از طرفی، گروه‌های نفتی را نیز به درستی از یکدیگر جدا کرده‌اند. این روابط حاکی از کارآیی بالای روش تحلیل مولفه‌های اصلی (pca) برای مطالعه نمونه‌های نفت مخزن سروک در میدان مورد مطالعه است. نتایج نشان می‌دهند که اساساً بلوغ حرارتی عامل اصلی خوشه‌بندی داده‌ها در این مطالعه بوده است. تشخیص این موضوع پس از انجام روش pca برروی داده‌ها صورت گرفت. ترسیم نمودار نشانه‌گرهای زیستی معرف بلوغ در مقابل محور pc1 نشان داد که اختلاف در سطح بلوغ نفت‌ها منجر به ایجاد گروه‌های نفتی متفاوت شده است. از آنجا که خوشه‌بندی داده‌های hrgc دقیقا مشابه با خوشه‌بندی نشانه‌گرهای زیستی است و با در نظر گرفتن سایر پارامترهای به‌دست آمده، وجود گروه‌های مختلف نفتی می‌تواند بیانگر پیوستگی ضعیف/ عدم پیوستگی مخزن سروک در میدان مورد مطالعه باشد.

Application of Cluster Analysis of Oil Geochemical Data to Determine the Connectivity of Sarvak Reservoir in One of the Fields of Southwest Iran

In the present paper, the cluster analysis of the molecular geochemical data of the oil has been used to determine the connectivity of Sarvak reservoir zones in one of the Iranian oil fields. Moreover, these methods include Principal Component Analysis (PCA), Hierarchical Cluster Analysis (HCA) and Kmeans. Statistical analysis was performed on peak ratios of HighResolution Gas Chromatography (HRGC) and biomarker data from Gas Chromatography Mass Spectrometry (GCMS). The results indicated the strong similarity between crossplot of PC1 against PC2 from the ratio of the peaks of gas chromatography with that from the biomarker data. On the other hand, a cluster analysis by the HCA that separated the oil samples in exactly the same way as the PCA method was performed for biomarkers and gas chromatography peaks. After plotting several parameters of the biomarker maturity against the PC1 axis, it was found that 1) there is a direct relationship between them and 2) the oil groups are distinct from each other. These relationships indicate the effectiveness of the Principal Component Analysis (PCA) method for the study of Sarvak reservoir oil samples in the studied field. The results show that thermal maturity was essentially the main factor in the data clustering in this study. This issue was finally identified after performing the PCA statistical method on the data. Finally, drawing a diagram of biomarkers of maturity versus PC1 axis showed that the differences in maturity level of oils resulted in different oil groups. According to similarity the HRGC data clustering to the biomarker clustering results and other parameters obtained, presence of different oil families might indicate no/weak connectivity in the Saravk reservoir in the studied oil filed.