تحليل پتروفيزيكي و پيش بيني تابع تخلخل در يكي از مخازن نفتي جنوب باختر ايران

Petrophysical Analysis and Prediction of Porosity Function in One of the Southwest Reservoirs of Iran

شبكه هاي عصبي روش هاي محاسباتي يادگيرنده هستند كه به كمك آنها مي توان يك نگاشت خاص را برآورد كرده يا داده هاي مختلفي را دسته بندي كرد. يك شبكه عصبي بر خلاف كامپيوتر هاي رقومي كه نيازمند دستورات كاملاً صريح و مشخص هستند، به مدل رياضي محض نياز ندارد، بلكه مانند مغز انسان قابليت يادگيري به وسيله تعدادي مثال مشخص را دارد. هدف مقاله حاضر، اثبات تابع تخلخلي و تحليل به عنوان يك رهيافت نيرومند در برآورد تخلخل سنگ مخزن با استفاده از نمودارهاي پتروفيزيكي است كه در آن با ارايه راه حلي مناسب بر پايه تحليل پتروفيزيكي مي توان تخلخل را با استفاده از داده هاي نمودار هاي چاه نگاري متداول تا حد بسيار خوبي برآورد كرد. روش پيشنهادي بر پايه داده هاي پتروفيزيكي موجود در يكي از ميادين نفتي جنوب باختر ايران مورد بررسي قرار گرفت. نتايج به دست آمده از تجزيه شبكه مشروط بر اعتماد به داده ها با آزمون هاي مختلف در بررسي تابع از جمله رگرسيون، جذر ميانگين مربعات و SPLine نشان دادند كه ميزان خطاي شبكه بر حسب داده هاي موجود در محدوده مهندسي با ضريب اطمينان بالايي قابل قبول هستند و مي تواند براي برآورد تخلخل مورد استفاده قرار گيرند. اين روش افزون بر كاهش هزينه ها و اقتصادي كردن طرح، مي تواند راهگشاي انجام پژوهش‌هاي مختلفي در اين زمينه در مقاطع بعدي شود.

Artificial Neural Network methods (ANN) are computational methods, which capable to predict a specific log or classify different data. Unlike the digital computers, which require the completely definite and distinguished rules, the ANN methods do not need a pure mathematical model; rather like the human brain has the ability to learn by recognized and determined examples. The target of the present paper is to establish and prove the Petrophysical Analysis as powerful approach in prediction and diagnosis of rock reservoir porosity by use of petrophysical logs, in which by a high accuracy suggested Petrophysical Analysis based solution the porosity can be estimated using conventional logging data. On the basis of the available petrophysical data, the proposed method was examined in one of the southwest oil field of Iran. The obtained results of network analysis conditioning to reliability to data with different tests such as regression, root mean square and SPLine showed that the amount of network error in terms of available data in engineering range with a high acceptable safety factor could be used to predict and estimate porosity. This method with ability of cost reduction and viability can help and provide a large variety in this field for further extended research.