تخمین تخلخل مخزن با استفاده از شبکه عصبی احتمالاتی و وارون سازی بر پایه مدل

تعیین خصوصیات مخزن نقشی مهم در مدیریت، تولید و توسعه مخازن هیدروکربوری دارد. تخلخل یکی از مهمترین خصوصیات مخزن است که می تواند نشان دهنده ی میزان حجم قابل ذخیره نفت و گاز در مخزن باشد. در این مطالعه، روشی به منظور به دست آوردن تخلخل مخزن با استفاده از نمودارهای چاه و داده های لرزه ای پس از برانبارش، ارائه شده است. بدین منظور ابتدا یک موجک به روش full wavelet از داده-های لرزه ای استخراج شد. سپس با استفاده از نمودارهای چاه و موجک استخراج شده، ردلرزه ی مصنوعی ساخته شد و با داده های لرزه ای در محل چاه منطبق گردید. سپس یک مدل اولیه هموار از مقاومت صوتی با استفاده از نمودارهای چاه ساخته شد و مقاومت صوتی مخزن با استفاده از روش وارون سازی بر پایه مدل به دست آمد. سپس به منظور به دست آوردن تخلخل، یک شبکه عصبی احتمالاتی با استفاده از نمودارهای چاه و نشانگرهای لرزه ای آموزش داده شد. از نتایج به دست آمده از وارون سازی بر پایه مدل نیز به عنوان یک نشانگر لرزه ای در مرحله آموزش شبکه عصبی استفاده شد. در این تحقیق، از داده های یک میدان نفتی در جنوب ایران استفاده شده است. به منظور اعتبارسنجی نتایج، مقادیر تخلخل در هر چاه با استفاده از داده های چاه های دیگر تخمین زده شد. مقادیر تخلخل محاسبه شده در محل 7 چاه با نمودارهای تخلخل چاه مقایسه شد که نتایج به دست آمده نشان داد این داده ها همبستگی 86.4 درصدی با هم دارند.

Estimation of reservoir porosity using probabilistic neural network and model based inversion

Reservoir characterization plays an important role in the management, production, and development of hydrocarbon reservoirs. Porosity is one of the most important characteristics of the reservoir, which can indicate the capacity of the reservoir to store fluid. In this study, a method to obtain reservoir porosity using well logs and post-stack seismic data is proposed. For this purpose, first, a wavelet was extracted from seismic data by the Full wavelet method. Then, using the extracted well and wavelet logs, synthetic traces were generated and tied with the seismic data at the well locations. After that a smooth model of acoustic impedance was constructed using well logs and the acoustic resistance of the reservoir was obtained using the model-based inversion method. Next, in order to obtain porosity, a probabilistic neural network was trained using well logs and seismic attributes. The results of model-based inversion were also used as a seismic attribute in the training of the neural network. In this study, data from an oil field in the southern part of Iran has been used. To validate the results, the porosity values in each well were estimated using data from other wells. The porosity values calculated at the location of 7 wells were compared to the porosity logs, which showed that these data were 86.4% correlated with each other.