تعيين متغيرهاي موثر در برآورد تخلخل با بكارگيري روش هاي تحليل چند متغيره و روش شبكه بيزي

آگاهی دقیق از تخلخل هر مخزن جهت پیش بینی عملكرد آینده میدان نفتی لازم است. بنابراین جهت افزایش دقت در تخمین تخلخل نیاز به بهبود روشهای مدلسازی آن است. در رویكردی شناخته شده از متغیرهای مختلف جهت شرطیسازی مدلسازی تخلخل استفاده میشود. به عنوان مثال میتوان ابتدا لیتولوژی را مدل كرده و در هر بلوك تخلخل را با توجه به لیتولوژی تخمین زد. انتخاب متغیرهای موثر از بین انواع متغیرهای مخزنی برای برآورد تخلخل سنگ مخزن اهمیت خواهد داشت. هدف اصلی این پژوهش تعیین متغیرهای موثر در برآورد تخلخل با بكارگیری روشهای تحلیل چند متغیره و روش شبكه بیزی است. شبكه بیزی مدلی گرافیكی است كه وابستگی شرطی میان مجموعهای از متغیرها را نشان میدهد كه سبب تبدیل مدلهای موضعی بسیاری شده و باعث كاهش بعد میشود و تصمیمگیری را در شرایطی كه ابعاد فضای ویژگی بزرگ باشد آسان می سازد. این پژوهش بر روی ده متغیر پتروفیزیكی شامل: CALCITE ، PHIE ، SWE ، GR ، DT ، NPHI ، DRHO ، RHOB ، LLD ، CALI و از هفت چاه از یكی ازمیادین نفتی جنوب ایران در محدوده عمقی مخزن سروك انجام شدهاست و در نهایت پارامترهای CALCITE ، GR ، NPHI ، RHOB و DT باتوجه به شبكه بیزی مربوط به داده همه چاهها و روش های تحلیل چندمتغیره موثرترین پارامترها در محدوده مورد مطالعه شناسایی شدند.

Accurate knowledge of the reservoir porosity is necessary to predict the future performance of the oil field. Therefor improved modeling techniques are necessary for increase the accuracy in the porosity estimation. In the known approach, used different variables for porosity conditional modeling . For example, we can model the lithology and also we can model the porosity in the each block according to estimated lithology. Choose effective variables from a variety of reservoir variables will be important for reservoir porosity estimating. The main purpose of this study is determination of effective variables in porosity estimation using multivariate analysis and Bayesian network method. Bayesian network is a graphical model that indicates conditional dependencies among a set of variables ,that converts the many local models and decreases the dimension and make easy Decisions in Conditions that Dimension of feature space is large. This study is performed on ten petrophysical variables include: PHIE, SWE, GR, DT, NPHI, DRHO,RHOB ,LLD, CALI, CALCITE from seven oil well that located in one of oil fields in south of Iran. Finally CALCITE, GR, RHOB, NPHI, DT were identified the most effective parameter based on Bayesian network for all well data and multivariate analysis in the case study