مقايسه روش هاي تخمين سرعت موج برشي در يكي از ميادين خليج فارس

Comparison of methods for prediction of shear wave velocity in one of the fields in Persian Gulf

نقش داده هاى صوتى در فرآيند سرشت نمايى مخازن نقشى غيرقابل انكار است. از اين رو استفاده از نگارهاي سرعت موج طولي و برشي بيش از گذشته رواج يافته است. در اين شرايط مشكل اصلي گران بودن هزينه اندازه گيري سرعت موج برشي در تمام چاه هاي ميدان است. بنابراين سرعت موج برشي در برخي چاه هاي ميدان اندازه گيري مي شود و با استفاده از روش هاي مختلف براي چاه هاي ديگر ميدان و سپس به كل ميدان تعميم داده مي شود. در اين مقاله سه روش تخمين موج برشي توسط شبكه عصبي مصنوعي، رابطه تجربي گرينبرگ-كاستاگنا و تعميم سرعت موج برشي در طول يك ميدان با استفاده از تركيب نشانگرهاي لرزه اي، الگوريتم هاي شبكه عصبي و مقطع لرزه اي در سه چاه يك ميدان بررسي شده است. براساس نتايج حاصل روش تركيب نشانگرهاي لرزه اي و الگوريتم هاي شبكه عصبي بهترين نتيجه را در طول كل مقطع لرزه اي ارائه داده است. هم-چنين استفاده از شبكه عصبي مصنوعي به تنهايي نتايج مناسب تري را نسبت به رابطه تجربي گرينبرگ-كاستاگنا ارائه داده است اما اين روش تنها در محل چاه ها قابل استفاده است و اطلاعاتي از سرعت موج برشي در فاصله بين چاه ها در اختيار قرار نمي دهد. به همين علت و با توجه به اعتبارسنجي مناسب روش تركيب نشانگرهاي لرزه اي و الگوريتم هاي شبكه عصبي، از اين روش به عنوان بهترين نتيجه حاصل براي اهداف مختلفي مانند مدل سازي شكستگي ها مي توان استفاده كرد.

Role of sonic data in the reservoirs characterization process is undeniable. So, using of the compressional and shear wave velocity logs has increased over the past. In this situation, the main problem is the expensive cost of shear wave velocity measurements in whole wells in field. Thus, the shear wave velocity measured in some wells and then with using various methods to be extended for other wells of field and entire field. In this article three methods for estimating of shear wave velocity by artificial neural network, an empirical Greenberg-Castagna relationship and generalized shear wave velocity over a field with using a combination of seismic attributes, neural networks algorithms, and seismic section in three wells of a field has been investigated. Based on results, combining seismic attributes and neural network algorithms is presented to work best during the entire seismic section. Also using artificial neural networks lonely has provided better results than empirical Greenberg-Castagna relationship but this method can be used only in the wells place and it couldn’t provide any information about shear wave velocity in distance between the wells. For this reason, and given the appropriate validation of combining seismic attributes and neural network algorithms method, this method as the best results for a variety of purposes such as fracture modeling can be used.