برآورد کل محتوی کربن آلی و نوع کروژن از داده‌های چاه‌پیمایی با بهره‌گیری از ترکیب شبکه عصبی مصنوعی و الگوریتم‌های فرا ابتکاری

ارزیابی پتانسیل هیدروکربن‌زایی سنگ منشا به‌عنوان تابعی از کل محتوی کربن آلی و نوع کروژن از اهمیت بالایی در مطالعات اکتشافی نفت و گاز برخوردار است. هدف اصلی در این مطالعه، مقایسه عملکرد شبکه عصبی مصنوعی بر پایه روش آموزش پس انتشار (annbp) و همچنین الگوریتم‌های فراابتکاری ژنتیک (annga) و ازدحام ذرات (pso -ann ) به‌منظور برآورد پارامترهای ژئوشیمیایی کل کربن آلی (toc) و پتانسیل باقی‌مانده هیدروکربنی (s2) از طریق نمودارهای چاه‎‌پیمایی است. بدین منظور، سازند پابده (پالئوسن الیگوسن) در میدان نفتی منصوری مورد مطالعه قرار گرفت. براساس نتایج برازش خطی برروی داده‌های آزمون، روش ann-pso امکان برآورد پارامترهای toc و s2 حاصل از آنالیز راک ایول را به‌ترتیب با ضریب تعیین (r^2) برابر با 8548/ 0 و 9089 /0 فراهم آورده و عملکرد بهتری نسبت به روش‌های ann-bp و ann-ga به نمایش می‌گذارد. همچنین، برآورد پارامتر شاخص هیدروژن (hi) بر مبنای ارتباط میان مقادیر toc و s2 به‌واسطه این روش با ضریب تعیین 6882 /0 از دقت قابل قبولی برخودار بوده و تفکیک انواع کروژن با دقت طبقه‌بندی 74% را امکان‌پذیر می‌سازد. زون‌بندی ژئوشیمیایی سازند پابده بر مبنای غنی‌شدگی آلی و نوع کروژن با توجه به نتایج حاصل از روش ann-pso نشان‌دهنده سه بخش مجزا است، به‌طوری‌که بخش میانی (واحد شیل قهوه‌ای) با دارا بودن مقادیر قابل‌توجه کل محتوی کربن آلی و شاخص هیدروژن از پتانسیل هیدروکربن‌زایی بیشتری برخودار بوده و در صورت رسیدن به بلوغ حرارتی مناسب می‌تواند نقش قابل‌توجهی در شارژ تله‌های نفتی میدان ایفاء نماید. بنابراین، تعیین دقیق اختصاصات هیدروکربن‌زایی سازند پابده با به‌کارگیری مدل پیشنهادی ann-pso در این مطالعه، کاهش عدم قطعیت در مدل‌سازی سیستم نفتی و متعاقباً افزایش قابل‌توجه کارایی اکتشاف در میدان نفتی منصوری را به‌دنبال خواهد داشت.

estimation of total organic carbon content and kerogen type from well log data by combining artificial neural network and metaheuristic algorithms

assessment of petroleum generation potential of the source rock as a function of total organic carbon content and kerogen type is of great importance in oil and gas exploration studies. the main aim of this research is to compare the performance of artificial neural networks trained by back propagation algorithm (annbp) and metaheuristic methods including genetic algorithm (annga) and particle swarm optimization (annpso) for prediction of total organic carbon (toc) content and remaining petroleum potential (s2) from the wireline data. for this purpose, pabdeh formation (paleoceneoligocene) in mansuri oilfield is studied. based on the results of linear regression on the test data, annpso method provides more accurate predictions of rockeval derived toc and s2 parameters with correlation coefficient (r2) values of 0.8548 and 0.9089, respectively. in addition, hydrogen index (hi) is appropriately predicted based on the relationship between toc and s2 values obtained from the annpso method with r2 value of 0.6882, from which different types of kerogen can be distinguished with classification accuracy of 74 percent. geochemical zonation of pabdeh formation based on organic richness and kerogen type reveals three distinctive parts, among which the middle part (brown shale unit, bsu) demonstrates the greater petroleum generation potential with having the significant values of total organic carbon and hydrogen index. therefore, the bsu can play an important role in hydrocarbon charging of the oilfield traps if it attains proper level of thermal maturity. accordingly, precise determination of petroleum generation characteristics of pabdeh formation using the annpso model proposed in this study will lead to a reduction in uncertainty associated with petroleum system modeling, and therefore will considerably increase the exploration efficiency in the mansuri oilfield.