توصيف مخزن هيدروكربن دار ماسه سنگي F3 (درياي شمال) با استفاده از نشانگرهاي لرزه اي و شبكه ي عصبي احتمالاتي

Reservoir characterization of F3 block (North Sea) using seismic attributes and probabilistic neural network

اكتشاف ذخاير هيدروكربني معمولا بر اساس وارون سازي داده هاي لرزه اي صورت مي گيرد كه داراي پيچيدگي هاي محاسباتي مي باشد. لذا ارايه روش هاي ساده تر بر مبناي شبكه هاي عصبي احتمالاتي مي تواند از اين پيچيدگي ها بكاهد و نيز با توجه به عدم قطعيت كمتر، مي تواند ابزار قدرتمندي براي كارهاي اكتشافي باشد. در اين مقاله از شبكه ي عصبي احتمالاتي شعاع مبنا بر اساس قاعده بيز براي تخمين تخلخل مخزن هيدروكربن دار F3 در درياي شمال استفاده شده است. با توجه به اين كه محاسبه ي احتمال درست نمايي بيز وابسته به پارامتري به نام شاخص نرمي است، در اين مقاله با استفاده از روش اعتبارسنجي مقايسه اي مقدار 21/ به عنوان شاخص نرمي بهينه انتخاب گرديد. بر اين اساس به منظور بالا بردن قدرت تفكيك خروجي شبكه عصبي احتمالاتي، 16 بازه ي تخلخل از 22/ تا 3/ انتخاب شد و سه نشانگر لرزه اي انرژي، شباهت و دامنه لحظه اي به عنوان ورودي به الگوريتم شبكه عصبي احتمالاتي برگزيده شدند. همچنين روش برازش خطي به منظور تخمين تخلخل ميان نشانگرهاي ورودي و پارامتر تخلخل به كار گرفته شد. نتايج الگوريتم شبكه عصبي احتمالاتي با نتايج روش برازش خطي در ماتريس هم آميختگي مورد مقايسه قرار گرفت كه نتايج ماتريس مذكور نشان مي دهد كه پارامتر صحت كل براي الگوريتم شبكه عصبي احتمالاتي برابر با 7587/ و براي معادله ي برازش خطي مقاومت صوتي برابر با 4623/ است. علاوه بر اين، مقايسه ي عملكرد دو روش بر روي مقاطع تخمين زده شده نشان مي دهد كه شبكه ي عصبي احتمالاتي مي تواند سازند با تخلخل بيش تر را كه حاوي گاز است، آشكار سازي نمايد. بنابراين با توجه به نتايج به دست آمده، مي توان شبكه ي عصبي احتمالاتي را به عنوان ابزاري مناسب تر به منظور تخمين تخلخل سازندها و اكتشاف ذخاير هيدروكربني نسبت به برازش خطي معرفي نمود.

Hydrocarbon explorations usually are performed based on seismic inversion techniques in which there exists computational complexity. Therefore, application of simpler methods such as probabilistic neural network could be considered to decrease uncertainties of the results. The present research used a probabilistic neural network to characterize the sand reservoir of F3 block in North Sea. This algorithm applied the seismic attributes of energy, similarity and instantaneous amplitude as input parameters to estimate porosity distribution of the F3 reservoir. Calculating the likelihood probability is dependent on the smoothing parameter. Therefore, the cross validation technique was used to determine the smoothing parameter that equals to 0.21. This paper considered 16 porosity classes from 0.22 to 0.3 as output of probabilistic algorithm. This algorithm calculated the posterior probability for every point in reservoir to determine the class of each point. The maximum posterior probability was selected as the final output. The obtained results were compared with the linear equation driven regression model for acoustic impedance and porosity values. The comparison showed that the developed network could detect gas-bearing region. Also, the confusion matrix was used to validate the results and the total accuracy parameter was calculated as 0.7587 and 0.4623 for probabilistic neural network and linear regression, respectively. Therefore, Bayesian neural network could be introduced as an effective tool to explore the hydrocarbon-bearin layers because of computational complexity of seismic inversion techniques.