طبقه‌بندی رخساره‌‌های سنگی با استفاده از چاه‌نگاری و بررسی تاثیر نگار صوتی بر آن به کمک شبکه عصبی مصنوعی در یکی از مخازن هیدروکربوری

Abstract

یک مخزن هیدروکربوری، از سنگ‌‌‌های رسوبی لایه‌‌ای تشکیل شده است که در طی یک دوران طولانی رسوب‌گذاری شده و با گذشت میلیون‌‌‌ها سال تحولات دیاژنزی، دچار تغییرات ساختاری شد‌ه‌اند. این فرایند‌ها، با تغییرات دائمی‌خواص فیزیکی مخزن در طول دوران‌‌های زمین‌شناسی همراه هستند. شناخت رخساره یکی از مهم‌ترین این خواص است که به مهندسان نفت توانایی طراحی و مدیریت مؤثر برای شناخت دقیق‌‌تر و توسعه میدان‌‌‌های نفت و گاز را می‌دهد. این مقاله، به طبقه‌بندی رخساره‌‌های سنگی (Lithofacies) سنگ مخزن هیدروکربوری با به‌‌کارگیری فن شبکه عصبی مصنوعی با الگوریتم پس‌انتشار خطا(BP) و الگوریتم آموزش لونبرگ- مارکوآرت از روی داده‌‌‌های نگار‌های پرتوگاما، چگالی، نوترون، صوتی و اثر فتوالکتریک (PEF) می‌پردازد. همچنین، میزان تاثیر نگار صوتی در برآورد رخساره‌‌ها نیز در اینجا ارزیابی شده است. با توجه به اینکه تعیین رخساره سنگ مخزن با آزمایش‌‌های مغزه پرهزینه است با به‌‌کارگیری روش می‌توان هزینه‌‌‌های مربوط به شناسایی رخساره را از راه کاهش نیاز به عملیات مغزه‌گیری، تقلیل داد.<br /> داده‌‌‌های مربوط به چهار چاه در یکی از مخازن هیدروکربوری مورد استفاره قرار گرفت، به این صورت که شبکه، ابتدا در یکی از چاه‌‌‌های مخزن که دارای آنالیز مغزه بود، آموزش داده شد و در چاه دیگری که داده‌‌‌های آن در آموزش شبکه سهمی‌نداشت، آزمایش شد و پس از حصول اطمینان از کارآیی آن، از شبکه به‌منظور برآورد رخساره‌‌‌ها در2 چاه دیگر(چاه A1 و A2 استفاده شد. مقدار MSE این روش درصورتی‌‌که فقط از نگار‌های پرتوگاما، چگالی، نوترون و اثر فتوالکتریک استفاده شود، برای چاه A1، 0.068 و برای چاه A2، 0.074 و درصورتی‌‌که از نگار صوتی نیز به همراه نگار‌های پرتوگاما، چگالی، نوترون و اثر‌‌ فتوالکتریک استفاده شود مقدار MSE به 0.052 برای چاه A1 و 0.060 برای چاه A2 می‌‌رسد، که نشان از بهتر شدن برآورد دارد.