تخمین درجه اشباع آب با استفاده از روش سیستم استنتاج عصبی فازی تطبیقی( anfis) در یکی از مخازن هیدروکربوری جنوب غربی ایران (میدان نفتی آزادگان شمالی)

درجه اشباع آب یکی از پارامترهای کلیدی در مهندسی زمین‌شناسی نفت جهت محاسبه حجم هیدروکربن مخزن و هم چنین کاهش ریسک اقتصادی در توسعه میادین نفتی محسوب می‌شود. اولین تلاش ها برای تخمین درجه اشباع آب سازندی با استفاده از داده‌های نمودارهای چاه‌پیمایی توسط آرچی در مخازن ماسه سنگی تمیز صورت گرفت که نتایج آن بصورت یک رابطه تجربی برای مخازن کربناته نیز تعمیم داده شد. در مخازن کربناته به دلیل ناهمگنی شدید ثابت فرض نمودن این پارامترها با خطای زیادی همراه است. از سوی دیگر محاسبه این پارامترها به دلیل زمان بر و هزینه بر بودن و از دست رفتن بخشی از مغزه برای تمام طول چاه امکان پذیر نمی باشد. روش های هوش مصنوعی از روش‌های جدید، کم هزینه و دقیقی هستند که می‌توانند با استفاده از داده‌های چاه‌پیمایی، درجه اشباع آب مخزن را در کمترین زمان ممکن به صورت غیر مستقیم تخمین بزنند. لذا در این مطالعه با استفاده از چاه‌‌نگارهای مختلف و روش هوشمند سیستم استنتاج عصبی فازی تطبیقی(anfis fcm)، درجه اشباع آب در یکی از مخازن هیدروکربوری جنوب غربی ایران (میدان آزادگان شمالی) به صورت غیرمستقیم تخمین زده شده است. جهت بکارگیری این روش هوش مصنوعی پایگاه داده متشکل از 2511 داده‌ی چاه‌نگاری بوده که به دو بخش داده‌های آموزش (1758 داده) و داده‌های آزمون جهت ارزیابی مدل‌ها (753 داده) تقسیم شدند. نتایج نشان‌دهنده عملکرد بسیار مناسب روش سیستم استنتاج عصبی فازی تطبیقی(anfis fcm)، در تخمین درجه اشباع آب است. بنابراین می‌توان از مدل سیستم استنتاج عصبی فازی تطبیقی(anfis fcm)، به عنوان یک روش قدرتمند، سریع و دقیق برای تخمین غیرمستقیم درجه اشباع آب در مخازنی که درجه اشباع آب از طریق مغزه اندازه‌گیری نشده استفاده نمود.

degree of water saturation using intelligent method (anfis) in one of the hydrocarbon reservoirs in southwestern iran (north azadegan oil field)

degree of water saturation is one of the key parameters in petroleum geological engineering to calculate the volume of reservoir hydrocarbons and also reduce economic risk in the development of oil fields. the first attempts to estimate the degree of water saturation of the formation were made by archi in the data of well drilling diagrams in clean sandstone reservoirs, the results of which were generalized as an experimental relation for carbonate reservoirs. in carbonate reservoirs, assuming these parameters to be constant due to severe heterogeneity is associated with a large error. on the other hand, it is not possible to calculate these parameters due to the time and cost and loss of part of the core for the entire length of the well. artificial intelligence methods are new, low cost and accurate methods that can indirectly estimate the degree of saturation of the reservoir water in the shortest possible time using well data. therefore, in this study, using different wells and intelligent method of adaptive neural fuzzy inference system (anfis fcm), the degree of water saturation in one of the hydrocarbon reservoirs in southwestern iran (north azadegan square) has been indirectly estimated. to use this artificial intelligence method, the database consisted of 2511 well data, which were divided into two parts: training data (1758 data) and test data to evaluate the models (753 data). the results show the very good performance of the adaptive neural fuzzy inference system (anfis fcm) method of estimating the degree of water saturation. therefore, the adaptive neural fuzzy inference system (anfis fcm) model can be used as a powerful, fast and accurate method for indirectly estimating the degree of water saturation in reservoirs where the degree of water saturation is not measured through the core.