اعتبارسنجي و مقايسه دو روش شبكه عصبي مصنوعي و ?LogR در ارزيابي محتواي ماده آلي سنگ‌هاي منشا : مطالعه موردي از سازند پابده ميدان نفتي مارون

Validation and camparison of artificial neural network (ANN) and ?LogR techniques in evaluating organic matter content of source rocks: Case study from Pabdeh Formation, Marun oilfield

سنگ‌هاي منشا از چگالي كمتري نسبت به ديگر لايه‌ها برخوردار بوده و از طرفي سرعت عبور موج، تخلخل و مقاومت بيشتري را نشان مي‌دهند. بنابراين مي‌توان از نگاره‌هاي چاه‌پيمايي به منظور شناسايي اين سنگ‌ها و بعنوان شاخصي جهت تعيين توان هيدروكربني آنها استفاده نمود. اين مهم معمولاً بوسيله روش‌هاي هوشمند نظير شبكه عصبي مصنوعي و ?LogR انجام مي‌گيرد. سنگ‌شناسي متغير و وجود مقادير گوناگون ماده آلي كل (TOC)، موجب شد تا سازند شيلي ـ آهكي پابده جهت اعتبارسنجي و مقايسه نتايج روش‌هاي نامبرده در زمينه سنجش TOC انتخاب گردد. آناليز رگرسيوني نشان مي‌دهد كه انطباق نتايج شبكه عصبي با مقادير پيروليز راك ايول (99%)، به مراتب بهتر از انطباق نتايج روش ?LogR (60%) است. محاسبه مجذور خطاي ميانگين (Mean Square Error) روش‌هاي يادشده نيز نتيجه فوق را آشكار نمود (استفاده بدليل كارايي بالاتر MSE در نمايش خطاي واقعي)، به‌طوريكه خطاي MSE روش شبكه عصبي (07/0)، بسيار كمتر از روش ?LogR (98/0) است. با افزايش محتواي ماده آلي و ميزان رس نمونه ها، كارايي روش ?LogR نيز افزايش مي‌يابد. در اين مطالعه، MSE روش ?LogR از سنگ‌شناسي شيلي به آهكي، به ترتيب از 27/0 به 41/1 افزايش مي‌يابد. براساس نتايج شبكه، TOC در سازند پابده ميدان مارون از 45/0 تا 4 درصد وزني متغير مي باشد. اين سازند را از نظر ميزان TOC مي‌توان به سه بخش A و C، با مقادير ماده آلي كمتر از 1% و B، با مقادير ماده آلي بالاتر از 1% تقسيم نمود. ضخامت كل، ميزان ماده آلي و درصد رس سازند در راستاي جنوب شرق ميدان افزايش مي‌يابد كه اين خود نشانگر افزايش عمق حوضه ته‌نشيني در اين راستا مي‌باشد. در نهايت، با توجه به انطباق مرز بالايي لايه غني از ماده آلي B با نوسانات شديد نگاره گاما، مي‌توان اين مرز را بعنوان شاخصي مناسب جهت شناسايي مرز ايوسن ـ اليگوسن و رخداد پيرنين به‌كار گرفت.

Source rock intervals generally show a lower density, higher sonic transit time, higher porosity and higher resistivity than other sedimentary layers. Therefore wire-line logs have been used to identify source rocks and serve as an indicator for their potentiality. It is usually done using intelligent systems such as artificial neural network (ANN) and ?LogR techniques. Shaly-lime Pabdeh Formation with variable lithology and TOC has been used to make a comparison between results of these techniques and evaluate their validity. Regression analysis shows that correlation of ANN results with Rock-Eval pyrolysis outputs (99%) is more appropriate than ?LogR results (60%). Calculation of mean square error (MSE) for mentioned procedures (used because MSE method has a better efficiency to determine real error) is in accordance with the said result. Here the MSE of ANN method (0.07) is much lower than that of ?LogR technique (0.98). With an increase in TOC and clay content, ?LogR accuracy will be increased. In this study, MSE of ?LogR technique has been increased from 0.27 to 1.4 from shale to limestone lithology. TOC content of this formation vary from 0.5 to 4 wt. % based on ANN results. Pabdeh Formation can be divided into three members: A and C with lower than 1% and B with higher than 1% total organic carbon (TOC) values. Increase in formation thickness, clay percentage and TOC content toward the south-east of oilfield demonstrate that paleo-sedimentary basin had been deeper in this direction. Finally, since rush undulation response of gama-ray log with top of B member, therefore, this top can be used as an indicator of Eocene-Oligocene boundary and Pyrenean orogeny.