كاربرد روش بهينه سازي كلوني مصنوعي زنبور عسل در تخمين خواص فيزيك سنگي مخازن هيدروكربني

Application of Artificial Bee Colony Algorithm for Estimation of Reservoir Rock Physics Properties

پيش بيني عملكرد و توسعه ي هر چه دقيق تر مخازن نفتي، در گروِ داشتن اطلاعات كافي از خواص آنها است. امروزه سعي مي شود با سنجش برخي خواص كه اندازه گيري مستقيم آنها آسان تر، كم هزينه تر و دقيق تر است و سپس به كارگيري روش هاي غيرمستقيم، فرآيند بهينه در جمع آوري داده هاي خواص مخزن پيموده و همزمان از عدم قطعيت ها كاسته شود. از روش هاي غير مستقيم رايج مي توان به روابط تجربي و الگوريتم هاي بهينه سازي اشاره كرد كه استفاده از مورد اخير به سرعت در حال گسترش است. در اين پژوهش، روش استفاده از الگوريتم جديد و قدرتمند كلوني مصنوعي زنبور عسل در تخمين خواص فيزيك سنگي مخازن هيدروكربوري، با به كارگيري آن براي تخمين سرعت امواج برشي، از داده هاي برخي نگارهاي پتروفيزيكي در دو مخزن ماسه سنگي و كربناته، تبيين و دقت نتايج با تخمين هاي حاصل از روابط فيزيك سنگي گرينبرگ-كاستاگنا مقايسه شده است. از بين نگارهاي ثبت شده، تخلخل نوتروني، چگالي كپه‌اي و سرعت موج تراكمي انتخاب و چند جمله اي چند پارامتري مرتبه ي اول براي تخمين كميت مورد نظر با استفاده از اين نگارها برگزيده شد. سپس در هر مورد مطالعه، يك دسته از داده ها براي آموزش الگوريتم و دسته ي ديگر براي ارزيابي عملكرد آن به كار گرفته شد. در هر دو مورد، الگوريتم فوق پاسخ هاي بهتري به دست داده-است. اين نتايج نشان مي دهد، در صورت نبود داده هاي كميت مذكور در چاه‌هايي با ليتولوژي مشابه، مي توان از اين الگوريتم براي تخمين مقدار اين پارامتر استفاده نمود.

It is necessary to have enough data from a reservoir to predict its performance and develop it as accurate as possible. Nowadays, it is a common practice to combine direct and indirect methods to achieve the optimal process of data gathering while considering time, cost and precision. Empirical relationships and optimization algorithms are the two most used indirect methods and recently, numerous researches have focused on the latter one. One of the newest and most powerful optimization algorithms is artificial bee colony (ABC) algorithm. In this paper, we have explained its application for reservoir characterization by estimating shear wave velocity (Vs) using some series of recorded well logs. We have carried out a study on a sandstone and a carbonate reservoir using the ABC algorithm and Greenberg-Castagna relationships. We have chosen three logs among the available ones and used a polynomial to derive their relationship with Vs. In both cases, the ABC has acted more efficiently, indicating that it can be employed to estimate Vs in reservoirs with the lithology similar to the one in our cases when we have no recorded data.