|
|
|
|
مقایسه روش‌های شبکه عصبی مصنوعی، Logr∆ و آنالیز خوشه‌ای برای ارزیابی مقدار کربن آلی در سازندهای محتوای هیدروکربن
|
|
|
|
|
|
|
|
نویسنده
|
قلی پور سیروس ,کدخدایی علی ,مکی پور محمد ,ابدی چالکسرایی امیررضا
|
|
منبع
|
علوم زمين - 1394 - دوره : 25 - شماره : 98 - صفحه:147 -158
|
|
|
|
|
چکیده
|
محتوای کربن آلی کل یکی از متغیرهای مهم برای ارزیابی ژئوشیمیایی لایه‌های تولید کننده نفت و گاز است. در این مطالعه طی سه مرحله، محتوای کربن در سازندهای هیدروکربن‌دار با استفاده از داده‌های نگار ارزیابی شد. در مرحله اول با استفاده از شبکه عصبی مصنوعی محتوای کربن آلی به دست آمد، در مرحله دوم با کمک روش محاسباتی logr∆ محتوای کربن آلی مورد ارزیابی قرار گرفت و در مرحله آخر داده های نگارهای چاه پیمایی به مجموعه ای از الکتروفاسیس ها تقسیم بندی شد که به این منظور از بهترین روش آنالیز خوشه ای، یعنی روش mrgcبهره گرفته شد. این روش بر پایه آزمون های ارزیابی خوشه ای بهترین روش برای خوشه بندی داده های پتروفیزیک در الکتروفاسیس های معین است. آنالیز خوشه‌ای یک بار برای داده های toc حاصل از شبکه عصبی و یک بار برای داده های toc حاصل از روش logr∆ صورت گرفت. نتایج نشان داد که سامانه های هوشمند نسبت به روش‌های قدیمی مبتنی بر روش logr∆ مناسب ترند و دقت بالاتری دارند. روش ارائه شده همراه با مثال موردی از میدان نفتی آزادگان ارائه شده است.
|
|
کلیدواژه
|
کربن آلی کل ,شبکه عصبی مصنوعی ,آنالیز خوشه ای ,Logr∆ ,داده های پتروفیزیکی
|
|
آدرس
|
دانشگاه آزاد اسلامی واحد علوم و تحقیقات, گروه زمین شناسی, ایران, دانشگاه تبریز, دانشکده علوم طبیعی, ایران, دانشگاه آزاد اسلامی واحد علوم و تحقیقات, گروه زمین شناسی, ایران, دانشگاه آزاد اسلامی واحد علوم و تحقیقات, گروه زمین شناسی, ایران
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Authors
|
Kadkhodaie Ali ,Abadi chalaksaraee Amir Reza ,Makkipour Mohammad ,Gholipour Sirous
|
|
Abstract
|
Total organic carbon content is one of the important parameters to evaluate the geochemical properties of oil- and gas-producing layers. In this study, total organic carbon content in the hydrocarbon-bearing formations was evaluated using log data in three stages. In the first stage, we used artificial neural network to calculate the organic carbon content. In the second stage, total organic carbon was calculated by using ΔLogR computational method. Finally in the last stage, well log data were classified into a set of electrofacies, which were performed using the most efficient clustering analysis method, i.e. MRGC method. Based on cluster validity tests, this method is the best to cluster petrophysical data in certain electrofacies. Cluster analysis was employed for classification of data from both neural network and ΔLogR methods. The results showed that intelligent systems are more appropriate than traditional techniques which are based on ΔLogR approaches, and also have higher accuracy. The proposed method has been presented with a case study from the Azadegan oilfield.
|
|
Keywords
|
Total organic carbon ,Artificial neural network ,Cluster analysis ,ΔLogR ,Petrophysical data
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|