ارايه روشي تلفيقي مبتني بر الگوريتم كلوني مصنوعي زنبور عسل و پردازش تصوير براي شناسايي شكستگي ها در نمودار تصويري

Hybrid Artificial Bee Colony Algorithm and Image Processing-Based Approach for Fracture Identification in Image Logs

شكستگي ها در مخازن نفتي حوزه زاگرس نقش بنيادين در مهاجرت و توليد هيدروكربورها دارند. يكي از ابزارهاي بسيار قوي براي مطالعه و شناسايي شكستگي ها در پيرامونچاه ها، نمودارهاي تصويرياست. اين نمودارها اطلاعات مهمي درباره جهت گيري، ژرفا و نوع شكستگي هاي طبيعي فراهم مي كنند. امروزه روش دقيقي براي شناسايي خودكار شكستگي‌ها از روي اين نمودارها در مخازن كربناتي ايرانوجود ندارد و تفسير اين نمودارها بيشتر به‌صورت دستي انجام مي گيرد. بر اين اساس در صورت نبود تجربه كافي، تفسير با خطا روبه‌رو خواهد شد. هدف از مطالعه حاضر، معرفي و به‌كارگيري روش‌هاي پردازش تصوير و الگوريتم كلوني مصنوعي زنبور عسل، براي پيدا كردن خودكار شكستگي ها در نمودارهاي تصويري است. در اين روش ابتدا با استفاده از يك روش رده بندي، محل مربوط به شكستگي از درون تصوير استخراج مي شود. سپس با استفاده از الگوريتم كلوني مصنوعي زنبورعسل، شيب، آزيموت و موقعيت ژرفي شكستگي ها از روي محل استخراج شده تعيين مي شود. اين روش روي نمودار تصويريFMSمربوط به يك چاه از ميادين جنوب ايران پياده سازي شده است.نتايج به ‌صورت نمودار تراكم ژرفي، نمودار گل‌سرخي و استريونت شكستگي هاي شناسايي شده، نمايش داده شده است. نتايج حاصل كارايي راهكار پيشنهاد شده را نشان مي‌دهد.

In the oilreservoirsof the ZagrosBasin, fractures play a major role in hydrocarbon migration and production. Borehole image log is a powerful tool to study and identify fractures around the wells. These logs provide critical information about orientation, depth and type of natural fractures. Since thereis noaccuratealgorithmfor automaticidentification of fracture parametersonimage logs of the carbonatereservoirsin Iran, interpretation of theselogsisoftendone manually. This process may become erroneous if the interpreter is not sufficiently experienced. Aimed at automatic detecting of fractures in image logs, this paper presents a new implemented method, which is based upon image processingandoptimization techniques,as well as Artificial Bee Colony Algorithm. According to this approach, points related to fractures arefirst extracted from images using classification methods. Then, the Artificial Bee Colony Algorithmis used to determine the number, depth, dip and dip directionof fractureson extracted points. The proposed method is performed on FMS image log ofonewell located in an oilfield in southernIran. Results areshownindensity log, rose diagramandstereogramfor the identified fractures, and the obtained resultsshow efficiency of the proposedmethod.