كاربرد شبكه عصبي در ارزيابي پتروفيزيكي سازند آسماري در يك چاه توليدي واقع درجنوب غرب ايران

THE APPLICATION OF NEURAL NETWORK METHOD IN PETROPHYSICAL EVALUATION OF ASMARI FORMATION IN A PRODUCING WELL IN SOUTHWEST OF IRAN

تعيين پارامترهاي پتروفيزيكي و بررسي توزيع آن‌ها در عمق مخزن، مي‌تواند منجر به زون‌بندي جديد و تغيير ضخامت زون توليدي ميادين شود. كاني‌هاي رسي از دسته كاني‌هاي بومي سازندها هستند كه در بيشتر سازندهاي هيدروكربوري حضور داشته و با كاهش پارامترهاي مهم مخزني و كليدي از جمله تخلخل و تراوايي پتانسيل توليد را كاهش مي‌دهند. در اين پژوهش، هدف بررسي پتروفيزيكي سازند آسماري با تلفيق انواع روش‌هاي سنتي و هوشمند به منظور تخمين حجم رس و ارزيابي كيفيت مخزن است. براي تخمين پتروفيزيكي حجم رس به روش‌هاي سنتي، روابط پتروفيزيكي بويان - پاسي، استيبر، كلاوير، لارينف -1 (با توجه به سن سازند) و جوزاني‌كهن بر داده‌هاي نگار پرتوي گاما اعمال شد كه با مقايسه با 15 داده‌ آزمايشگاهي اين پارامتر در اعماق معلوم، كمترين خطا %45 به دست آمد. سپس، براي كاهش خطا به مدل‌سازي توسط شبكه عصبي (MLP) پرداخته شد كه با تخمين داده‌هاي آزمايشگاهي، تعداد 259 داده توليد و با تابع فعال‌سازي تانژانت زيگموئيد، الگوريتم آموزش لونبرگ - ماركوات، تعداد 6 نرون و 1 لايه پنهان آموزش داده شد. خروجي‌هاي حجم رس شبكه عصبي طبقه‌بندي شد و جنس سازندي به طور عمده ماسه‌سنگي - رسي تعيين شد. با بررسي نمودارهاي چگالي - تخلخل سنگ‌شناسي سازندي تعيين و بازه‌هاي با كيفيت مخزني خوب و مناسب براي عمليات مشبك‌كاري معرفي شدند. داده‌هاي نمودار پرتوزايي گاما و تخلخل نوتروني نيز طبقه بندي شد و بازه‌هاي با كيفيت سازندي از ضعيف تا عالي معرفي شدند كه در نهايت با تلفيق تمامي نتايج حاصل از مطالعات در اين پژوهش كيفيت كلي سازند آسماري در چاه مورد مطالعه خوب برآورد شد.

Determination of petrophysical parameters and their distribution in the reservoir can lead to new zonation and change of production thickness zone.clay minerals exist in most of oil reservoirs and reduce important parameters such as porosity, permeability and production potential.The purpose of this study was to investigate the petrophysical properties of Asmari Formation by combination of different traditional petrophysical methods for volume of clay estimation and reservoir evaluation studies. The traditional calibration of gamma ray log such as Bhuyan – Passey, Larionov-1, Steiber, Clavier and Jozanikohan relationships were applied which resulted to 45% relative error for estimation of clay minerals in compare to the 15 known laboratory values of this parameter. In the next step, neural network modeling was performed to reduce relative error. 259 data were estimated from laboratory values and trained with Tangent Sigmoid Activation Function, Levenberg-Marquardt training algorithm, 6 neurons and 1 hidden layer in a MLP neural network. The clay volume outputs of the neural network were classified and the body of the reservoir determined to be sandstone-clay. By investigating the density-porosity cross-plots, formation lithology and good quality reservoir intervals were introduced for Perforation operation. The gamma-ray data and neutron porosity data were also categorized to give the low to high quality intervals. Finally, by combination all the results in this study, the quality of Asmari formation were estimated to be "good".