اثر ليتولوژي در بهبود مد لسازي پتروفيزيكي مخزن كربناته ناهمگن در جنو ب ايران

Effect of Lithology on Improved Petrophysical Modeling of Heterogeneous Carbonate Reservoir in the South of Iran

توصيف هر مخزن نفتي نياز به مدل پتروفيزيكي سنگ مخزن دارد. دو پارامتر مهم و بنيادي يك مدل پتروفيزيكي، تخلخل و نفوذپذيري هستند. اندازه گيري هاي آزمايشگاهي اين پارامترها معمولاً هزينه بر و تهيه نمونه هاي مغزه از كل چاه اقتصادي نيست. از اين رو، امروزه تخلخل با استفاده از نمودارهاي متداول چاه پيمايي و نرم افزارهاي پتروفيزيكي تعيين و نفوذپذيري از روش هاي غيرمستقيم مانند رگرسيون، مدل هاي ناحيه اي و روابط تجربي برآورد مي شوند. عموماً مقادير تخميني و اندازه گيري شده آنها با يكديگر تفاوت دارند. اين اختلاف مي تواند ناشي از خطاي سيستماتيك مانند شرايط اندازه گيري، خطاي ابزار، خطاي انساني و خطاي تصادفي باشد. در مخازن ناهمگن كربناته به ويژه نواحي و چاه هايي كه مغزه گيري نشده اند، تخمين تخلخل و نفوذپذيري با نمودارهاي چاه پيمايي و روش هاي آماري مشكل است. در اين مقاله قصد داريم اثر ليتولوژي در بهبود مدل سازي پتروفيزيكي مخزن كربناته ناهمگن را با استفاده از روش تحليل احتمالاتي و شبكه عصبي مصنوعي در يك ميدان نفتي جنوب ايران نشان دهيم. براي اين منظور، دو مدل تخلخل با استفاده از تحليل احتمالاتي و شبكه عصبي مصنوعي در يك چاه تهيه و نتايج آنها با نمونه هاي مغزه در چاه ديگري مقايسه شدند. اين مقايسه ها نشان داد كه تخلخل و نفوذپذيري مدل شده با داده حاصل از مغزه كاملاً منطبق نيست. در مرحله بعد، سنگ مخزن با استفاده از ليتولوژي، زون بندي شد. براي هر زون يك مدل شبكه عصبي به گونه اي طراحي شد كه داده هاي ورودي و خروجي به شبكه به ترتيب نمودارهاي چاه پيمايي و داده مغزه ي مربوط به آن زون بودند. سپس مدل هاي آموزش يافته در هر زون در زون مشابه چاه ديگر آزمايش شدند. نتيجه اعتبارسنجي اين مدل ها نشان دادند كه اختلاف بين اين مدل ها و داده هاي مغزه بسيار كمتر از دو روش قبلي است.

Oil reservoir characterization requires petrophysical model of reservoir rock. Two important and fundamental parameters of petrophysical model are porosity and permeability. Laboratory measurements of these parameters are usually costly and preparati on of core samples from all interval of well is not economic. Therefore today, the porosity is determined by the conventional well logs and interpreted by petrophysical softwares . Permeability is estimated using indirect methods such as regression, regional mod els and empirical relations. In general, their estimated and measured values have some difference with each other. This difference could be due to the systematic error such as measuring conditions, tools error, human error and random error. In heterogeneous carbon ate reservoirs, especially in fields and wells that un-cored, estimation of porosity and permeability using well logs and statistical methods is difficult. In this paper we intend to show the effect of lithology on improved petrophysical modeling of heterogeneous carbonate reservoir using the probabilistic analysis method and the artificial neural networks in the oil field of south of Iran. For this purpose, two porosity models were developed using the probabilistic analysis and arti ficial neural network in a well and their results were compared to core samples in another well. These comparisons showed that modeled porosity and permeability with core data are completely no matching. In next stage, the reservoir rock was zoning using the lithology. For each zone a neural network model was developed so that inputs and outputs to network were the well logs and core data respectively. Then the trained models in each zone were tes ted in the same zone of another well. Result of validation of these models showed that the difference between these models and core data are much less than two previous methods.