بهینه‌سازی تخمین تراوایی با تلفیق نتایج آنالیز رخساره الکتریکی و الگوریتم‌های هوشمند؛ مطالعه موردی در سازند فهلیان در یکی از میادین نفتی جنوب ایران

تراوایی یکی از مهم‌ترین خصوصیات پتروفیزیکی مخازن هیدورکربنی است. تخمین تراوایی یکی از چالش‌هایی است که مهندسان نفت در مخازن کربناته به‌ویژه مخازن کارستی با آن روبرو هستند. در این پژوهش به‌منظور تخمین تراوایی در محدوده‌های عمقی فاقد اطلاعات مغزه از روابط تجربی، آنالیز برازشی، شبکه عصبی مصنوعی و الگوریتم نزدیک‌ترین همسایگی استفاده گردید و نتایج حاصل با یکدیگر و با اندازه‌گیری‌های مغزه مقایسه شد. رخساره‌های الکتریکی این امکان را به مدل‌های هوشمند می‌دهد تا با استفاده از نمودارهای معمول پتروفیزیکی با جزئیات بیشتری تراوایی را تخمین بزنند. از طرفی با توجه به اینکه آنالیز رخساره الکتریکی برای کلیه چاه‌های میدان توسعه می‌یابد، استفاده از مدل‌های بهینه هوشمند امکان استفاده در کلیه چاه‌های میدان را در جهت تخمین بهینه تراوایی دارد. براساس نتایج به‌دست آمده شبکه عصبی مصنوعی و الگوریتم نزدیک‌ترین همسایگی، نسبت به‌روش‌های دیگر نتایج به نسبت بهتری ارائه نمودند. ضریب همبستگی میان نتایج تخمینی و مقادیر مغزه حاصل از روش‌های شبکه عصبی مصنوعی و الگوریتم نزدیک‌ترین همسایگی به‌ترتیب 2% و 5% نسبت به سایر روش‌ها بالاتر بود. به‌منظور بهینه‌سازی نتایج به‌دست آمده، تخمین تراوایی با استفاده از این دو روش در چارچوب رخساره‌های الکتریکی مدل‌سازی مجدد گردید. سپس نتایج استفاده از آنالیز رخساره‌ای با نتایج مدل‌سازی لایه ای مقایسه شد. از دو روش مورد استفاده، الگوریتم نزدیک‌ترین همسایگی به‌طور میانگین با ضریب همبستگی 66% نسبت به‌روش شبکه عصبی مصنوعی با ضریب همبستگی 57% تراوایی مناسب تری برای سازند فهلیان ارائه می‌دهد. روش پیشنهادی در این پژوهش می‌تواند در سازندهای کربناته ناهمگن که وضعیت تفکیک تخلخل خوبی دارند مورد استفاده قرار گیرد.

estimating permeability in carbonate reservoirs using artificial neural networks and k-nearest neighbor algorithm

permeability is one of the most important petrophysical properties of hydrocarbon reservoirs. estimating permeability is a challenge that petroleum engineers face, particularly in carbonate reservoirs, especially karst reservoirs, where data on core samples may be lacking. in this study, empirical relationships, regression analysis, artificial neural networks, and the nearest-neighbor algorithm, were employed to estimate permeability in depth intervals where core data were unavailable. the results obtained from these methods were compared with each other and with core measurements. electrical facies provide intelligent models with the capability to estimate permeability with more details using conventional petrophysical logs. furthermore, considering that electrical facies analysis is conducted for all wells in the field, the use of optimized intelligent models allows for the estimation of permeability in all wells, leading to more accurate results. based on the results, artificial neural networks and the nearest-neighbor algorithm performed better compared to the other methods, with correlation coefficients of 2% and 5% higher, respectively, than the other approaches. to optimize the obtained results, permeability estimation using these two methods was incorporated into the framework of electrical facies modeling. subsequently, the results of facies analysis were compared with the results of layered modeling. ultimatly, among the two methods used, the nearest-neighbor algorithm, on average, provides a more suitable permeability estimation for the fahliyan formation with a correlation coefficient of 66% compared to the artificial neural network method with a correlation coefficient of 57%. the proposed method in this study can be applied in heterogeneous carbonate reservoirs with well-defined heterogeneity in porosity distribution.