تعیین گونه‌‌های سنگی و پیش‌‌بینی تراوایی در سازندهای کنگان و دالان با روش شبکه عصبی پس‌انتشار

تعیین گونه‌‌های سنگی به منظور کاهش ناهمگنی‌‌های مخزن در مخازن کربناته و پیش بینی تراوایی یکی از پارامترهای مهم در ارزیابی مخازن هیدروکربنی می‌‌باشد. در این مقاله از یک روش چند مرحله‌ایی پیوسته برای تعیین گونه‌‌های سنگی و پیش بینی تراوایی استفاده گردیده است. در مرحله اول از داده‌‌های آزمایشگاهی فشار تزریق جیوه و تخلخل و تراوایی مغزه، لاگ‌‌های شعاع گلوگاه تخلخل در اشباع 35 درصد جیوه و اندیس زون جریانی محاسبه گردید. دو لاگ بازسازی شده همراه با نمودارهای پتروفیزیکی تصحیح شده به‌عنوان لاگ‌‌های ورودی جهت تعیین گونه‌‌های سنگی با استفاده از روش خوشه سازی سلسله مراتبی انتخاب گردیدند. با استفاده از روش گفته شده 5 گونه سنگی در میدان مورد مطالعه استخراج شد. در چاه‌‌های فاقد مغزه از روش ماشین بردار پشتیبان برای گسترش گونه‌‌های سنگی در محدوده چاه‌‌ها استفاده شد. در مرحله آخر و پس از تعیین گونه‌‌های سنگی در چاه‌‌ها، از روش شبکه عصبی پس انتشار خطا و به دو رهیافت مجزا تراوایی پیش بینی گردید. ابتدا یک شبکه عصبی برای کل داده‌‌ها طراحی گردیده و تراوایی با استفاده از این شبکه پیش بینی گردید. در ادامه برای هر یک از گونه‌‌های سنگی یک شبکه پس انتشار خطا طراحی و تراوایی در گونه‌‌های سنگی تعیین شده پیش بینی شد. نتایج نشان داد که تعیین گونه‌‌های سنگی با استفاده از پارامترهای استخراج شده از داده‌های فشار تزریق جیوه و تخلخل و تراوایی مغزه همراه با نمودارهای تصحیح شده باعث کاهش ناهمگنی مخزن از نظر کیفیت مخزنی می‌‌گردد. این کاهش ناهمگنی برای پیش بینی تراوایی با استفاده از روشی که برای هر گونه سنگی یک شبکه مجزا طراحی شود باعث کاهش خطا می‌گردد که به دلیل کاهش محدوده تغییرات تراوایی برای هر رخساره خاص می‌‌باشد و باعث می‌‌شود الگوریتم پس انتشار خطا تراوایی را با دقت بالاتری پیش بینی کند.

rock types determination and permeability prediction in kangan and dalan formations using the backpropagation neural network method

rock types determination is one of the important parameters in the evaluation of hydrocarbon reservoirs in order to permeability estimation and reducing reservoir heterogeneity. in this study, a continuous multi-step method is used to determine rock types and predict permeability. in the first step, pore throat radius at 35% mercury saturation and the flow zone index were calculated from the laboratory data of mercury injection pressure and core porosity and permeability. these two calculated parameters along with corrected petrophysical logs were selected as input to determine rock types using hierarchical clustering method. 5 rock types were extracted in the studied field using the mentioned method. the support vector machine method was used to expand the rock types in the wells without core sample. in the last step, the permeability was predicted by the neural network method - backpropagation - by two separate approaches. firstly, a neural network was designed for the whole data and the permeability was predicted using this network. in the following, a neural network was designed for each rock type and permeability was predicted in the determined rock types. the results showed that the determination of rock types using the parameters extracted from the mercury injection pressure data and core porosity and permeability along with the corrected logs reduces the heterogeneity of reservoir in terms of reservoir quality. this heterogeneity reduction for predicting permeability by using a method which design a separate neural network for each rock type reduces the error due to the reduction of the permeability range changes for each facies. also, it rises the accuracy of permeability predicted using the backpropagation algorithm.