مقایسه پیش‌بینی فشارمنفذی با استفاده از روش مرسوم سرعت لرزه‌ای و روش بر پایه داده‌های مقاومت صوتی

در تحقیق حاضر فشار منفذی و مکانیسم ایجاد آن در یکی از میادین جنوب غرب کشور با استفاده از دو روش: 1) سرعت حاصل از وارون‌سازی لرزه‌ای، 2) استفاده مستقیم از داده‌های مقاومت صوتی لرزه‌ای، مورد تخمین قرار گرفته و نتایج مقایسه شدند. ابتدا با انجام وارون‌سازی لرزه‌ای، مکعب داده‌های مقاومت صوتی لرزه‌ای به‌دست آمد و سرعت لرزه‌ای از آن استخراج شد. با انجام برازش بین داده‌های فشار موثر از یک طرف و داده‌های سرعت لرزه‌ای و مقاومت صوتی از طرف دیگر، روابط بین این داده‌ها تعیین و مدل‌های اولیه به‌دست آمدند و سپس با اعمال تصحیحات لازم برای هر دو مدل، ضرائب کالیبراسیون مورد نیاز نهایی شدند و در برگردان داده‌های مذکور به مکعب تنش موثر مورد استفاده قرار گرفتند. در ادامه مکعب تنش موثر در هر دو مدل به مکعب فشار منفذی تبدیل شدند. نتایج حاصل از این تحقیق، اعم از تفکیک لایه‌های مخزنی و نیز دارا بودن ضریب همبستگی (r) بالا بین داده‌های پیش‌بینی شده و داده‌های آزمایش فشار چاه (91/. برای روش سرعت و 925/. برای روش مقاومت صوتی) و همچنین خطای استاندارد پایین، نشان‌دهنده توانایی قابل قبول روش‌های لرزه‌ای به‌کارگرفته شده در این تحقیق برای پیش‌بینی فشار منفذی در مخازن کربناته هستند. در نهایت با مقایسه نتایج، نشان داده شد که روش به‌کارگیری مستقیم داده‌های مقاومت صوتی لرزه‌ای در پیش‌بینی فشار منفذی که برای اولین بار توسط مولفین مقاله در مخازن کربناته مورد استفاده قرار گرفته است، بهبود قابل ملاحظه‌ای در میزان تفکیک لایه‌های مخزنی در مقایسه با روش مرسوم سرعت داشته است، به‌طوری‌که وضوح تفکیک مخازن سروک و ایلام بیشتر شده و لایه مخزنی کم ضخامت بورگان آشکار شد و نیز لایه مخزنی فهلیان که در روش سرعت به‌درستی تفکیک نشده بود در روش جدید به‌درستی و با فشار منفذی بیشتر از لایه‌های بالایی و پایین خود شناسایی شد.

Comparison of Pore Pressure Prediction Using Conventional Seismic Velocity and Acoustic ImpedanceBased Methods

In this research, pore pressure and its creation mechanism in one of oil fields in the southwest of Iran was first estimated using: 1) the velocity of seismic inversion, and 2) direct use of seismic acoustic impedance (AI) methods, and their results were then compared. At first, the cube of AI data was produced by inversion of seismic data, and the seismic velocity was then resulted accordingly. Following that, by fitting the effective pressure data with seismic velocity and AI data, the relationships between them were obtained and their initial models were construed. Next, by doing some correction on both models, their calibration coefficients were finalized and used to convert the seismic velocity and the AI data into effective pressure data. The effective pressure cubes of both models were then converted into pore pressure cubes. The results of this research in terms of separation of reservoir layers and high correlation coefficients between the predicted data and wells pressure test (0.91 for seismic velocity method and 0.925 for AI method) together with low standard error indicate the capability of both methods to predict pore pressure in carbonate reservoirs. Finally, the results of both methods were compared, and it has been found out that the direct use of seismic AI data for pore pressure prediction, which is being done for the first time in this study for carbonate reservoirs, has noticeable improvement for separation of the reservoir layers in comparison with the conventional velocity method. Finally, the results of AI method show a better resolution for Sarvak and Ilam reservoirs. Also, the thin Bourgan as well as the Fahliyan reservoirs, where have not been identified precisely by velocity method, have been correctly identified by this new method with pore pressure more than those the above and under layers.