بررسی و مقایسه روش‌های مرسوم تخمین تخلخل با استفاده از داده‌های لرزه‌نگاری در یکی از میادین نفتی خلیج‌فارس

تخلخل یکی از پارامترهای مهم در ارزیابی ذخیره و توسعه یک مخزن هیدروکربنی است. این پارامتر پتروفیزیکی به‌صورت مرسوم توسط داده‌های مغزه و لاگ اندازه‌گیری یا محاسبه می‌شود. استفاده از داده‌های لرزه‌نگاری برای تخمین پارامترهای پتروفیزیکی مابین چاه‌ها، یکی از موضوعات مهم و قابل توجه در صنعت نفت و گاز است. در این مطالعه، ابتدا با استفاده از تلفیق داده‌های چاه‌نگاری و داده‌های لرزه‌نگاری سه‌بعدی پس از برانبارش مربوط به یکی از میادین نفتی خلیج‌فارس، وارون‌سازی لرزه‌ای با استفاده از روش وارون‌سازی براساس مدل و روش وارون‌سازی خارهای پراکنده انجام گرفت. همبستگی و خطای روش وارون‌سازی خارهای پراکنده به‌ترتیب برابر 98 و 19% بوده است، درحالی‌که در روش وارون‌سازی براساس مدل به‌ترتیب برابر 88 و 47% است. در مرحله بعد، با استفاده از سه روش چند نشان‌گر لرزه‌ای، شبکه عصبی احتمالاتی و شبکه عصبی تابع پایه شعاعی تخمین تخلخل انجام شد. روش شبکه عصبی احتمالاتی 91% همبستگی بین داده‌های آموزشی و 71% همبستگی بین داده‌های اعتبارسنجی ارائه داده است که جواب بهتری نسبت به دو روش دیگر بوده است. بنابراین، پیشنهاد می‌گردد برای تخمین تخلخل از داده‌های لرزه‌نگاری در میادین با زمین‌شناسی مشابه، از این روش استفاده گردد.

Methods Using Seismic Data in One of the South Iranian Oil Fields

Porosity is one of the important parameters in reserve estimation and development of a hydrocarbon reservoir. This petrophysical parameter is traditionally calculated from core and log data. The use of seismic data to estimate petrophysical parameters between wells has been of particular interest in oil and gas industry. In this study, seismic inversion was performed using two methods including model based and sparse spike using a combination of well data and post stack seismic data in an Iranian oil fields. The correlation and error of the sparse spike inversion method were 98 and 19%, respectively. However, the correlation and error of the modelbased inversion were 88 and 47%, respectively. In the next step, porosity estimation was performed using three methods, including seismic multipleattribute, probabilistic neural network and radial basic function neural network. The probabilistic neural network method provided 91% correlation between training data and 71% correlation between validation data that was a better answer than the other two methods. Therefore, it is suggested to use this method to estimate the porosity of seismic data in fields with similar geology.