تخمين تراوايي و تخلخل موثر و تعيين واحدهاي جريان هيدروليكي با استفاده از شبكهي عصبي مصنوعي در ميدان نفتي مارون

Estimation of permeability and effective porosity and determination of hydraulic flow units by using Artificial Neural Network method in Marun oil field

تراوايي و تخلخل موثر از مهمترين خصوصيات مخزن ميباشند كه ميتوانند بهعنوان ورودي جهت ساخت مدلهاي پتروفيزيكي از مخزن مورد استفاده قرار گيرند. رابطهي تخلخل و تراوايي در قالب واحدهاي جريان هيدروليكي در توصيف سنگهاي مخازن ناهمگن استفاده ميشود. شناسايي واحدهاي جريان هيدروليكي ميتواند براي ارزيابي كيفيت مخزن براساس رابطهي تخلخل-تراوايي مورد استفاده قرار گيرد. تخلخل و تراوايي به ترتي ب با انجام گرفته شده NMR آزمايش تزريق هليم و هوا بر روي نمونههاي مغزه اندازهگيري ميشوند. علاوه بر روشهاي آزمايشگاهي، اين دو پارامتر از روي نگار از چاهها، و تراوايي از طريق چاهآزمايي نيز اندازهگيري ميشود. اين روشها اگرچه دقيق هستند، ولي داراي معايبي از جمله هزينه بالا و صرف زمان بسيار طولاني ميباشند و فقط در تعداد محدودي از چاهها انجام ميپذيرد. در اكثر چاههاي ميدان مورد مطالعه ، نگاربرداري انجام گرديد . محاسبه ي و به كمك دادههاي لاگ محاسبه گرديد. پس از تخمين اين (BP-ANN) تخلخل و تراوايي با استفاده از روش شبكهي عصبي مصنوعي پس انتشار خطا مخزن آسماري در سه چاه مورد مطالعه به 9 واحد جريان ،K-means و آناليز خوشهاي (SSE) پارامترها با استفاده از روش مجموع مربعات خطا هيدروليكي تقسيم گرديد. تقسيم بندي مخزن به واحدهاي جرياني سبب بهبود رابطه تخلخل و تراوايي شد. نتايج نشان داد كه شبكهي عصبي در پيشبيني پارامترهاي مخزني موفق عمل نموده است.

Permeability and effective porosity are the most important characteristics of a reservoir which can be used as input for creating petrophysical models of reservoir. The relationship between porosity and permeability in the form of hydraulic flow units can be used in describing heterogeneous reservoir rocks. Identifying hydraulic flow units can be used for evaluating reservoir quality based on relationship between porosity and permeability. Porosity and permeability are measured by injecting helium and air into the core samples respectively. In addition, these parameters can be measured by NMR well logging. Furthermore, well testing is another way for measuring permeability parameter. Although these measurement methods are accurate, they have some drawbacks. These methods are time-consuming and expensive. Therefore, they are used only occasionally. In this study, we estimated porosity and permeability by back propagation error Artificial Neural Network method (BP-ANN) using extensive dataset achieved by well logging in the field. Finally, after estimating parameters by using SSE method and K-means analysis, we improved the relationship between porosity and permeability in the Asmari Formation by dividing data from three studied wells into nine hydraulic flow units. Results showed that the Neural Network method predicted reservoir parameters successfully. Key words: Asmari Formation, K-means analysis, petrophysical models, reservoir, SSE method, well testing.