دسته‌بندی و تفکیک رخساره‌های لرزه‌ای به‌روش غیرنظارتی براساس آنالیز چند نشان‌گری در مخزن آسماری میدان رامشیر

استفاده از روش‌های خودکار دسته‌بندی رخساره‌های لرزه‌ای، در مطالعات توصیف مخزن در دو دهه اخیر رو به افزایش بوده و محبوبیت و کاربرد آن‌ها در فرآیند تفسیر ژئوفیزیکی به‌عنوان وسیله‌ای برای تخمین منابع هیدروکربنی همچنان حائز اهمیت است. در این مطالعه با هدف شناسایی رخساره‌های لرزه‌ای براساس مشخصه‌های لرزه‌ای آنها سعی شد با استفاده هم‌زمان از داده‌های لرزه‌نگاری سه‌بعدی (نشان‌گرهای لرزهای) و رخساره‌های الکتریکی (گونه‌های سنگی پتروفیزیکی) تعیین شده در محل چاه‌ها، تغییرات جانبی گونه‌های سنگی در مخزن آسماری میدان رامشیر تعیین شود. در این بررسی از شبکه عصبی و خوشه‌بندی به‌روش k-mean جهت طبقه‌بندی غیرنظارتی رخساره‌های لرزه‌ای براساس نشان‌گرهای لرزه‌ای استفاده شده است. از آنالیز مولفه‌های اصلی به‌عنوان یک روش جهت کاهش تعداد نشان‌گر در این مطالعه استفاده گردید. این روش به جهت تعداد کم ورودی و در نتیجه کاهش پیچیدگی مدل می‌تواند راهکار مناسبی باشد. درنهایت نشان‌گرهایی که به بهترین شکل، توزیع رخساره‌های لرزه‌ای را نشان می‌دهند تعیین شده است. نشان‌گرهای مورد استفاده شامل فرکانس غالب، مشتق پوش دامنه، مقاومت صوتی، نشان‌گر ریز لایه و تجزیه طیفی با فرکانس50 هرتز است. با به‌کارگیری این روش در مخزن آسماری میدان نفتی رامشیر، رخساره‌های لرزه‌ای مرتبط با انواع سنگ‌شناسی ماسه سنگ، آهک و دولومیت از یکدیگر تفکیک شدند. همچنین بر این اساس نقشه توزیع رخساره‌های مخزن در میدان استخراج و تفسیر گردید.

Unsupervised Seismic Facies Classification based on Multiattribute Analysis in the Asmari Reservoir Ramshir Oilfield

The unsupervised seismic facies classification has been increasing used in reservoir characterization over the past two decades, and their popularity and application in the process of geophysical interpretation as a means of estimating hydrocarbon resources continue to grow. In this study, in order to identify seismic facies, based on their seismic attributes, we used simultaneously 3D seismic data (seismic attributes) and electrofacies (petrophysical rock type) in the studied wells, then variations of rock types in Asmari reservoir of Ramshir field have been determined. In this study, neural network approach and kmeans clustering method were used to define unsupervised seismic facies based on seismic attributes. Then we used principal component analysis which is a good solution to reduce the number of inputs and thereby the complexity of the model. Finally, the seismic attributes that best show seismic facies distribution were determined. The attributes used include the dominant frequency, envelope derivative, acoustic impedance, thinbed indicator and spectral decomposition 50 Hz. Ultimately, using this method in the Asmari reservoir of Ramshir oil field, seismic facies related to sandstone, limestone and dolomite were defined. Also, the distribution map of reservoir facies in this field was extracted and interpreted.