تطابق بين داده‌هاي ژئوشيميايي و پتروفيزيكي با استفاده از شبكه عصبي مصنوعي و آناليز خوشه‌اي در ميدان نفتي آزادگان

Coincidence Between Geochemical and Pertophysical Data Using Artificial Neural Network and Cluster Analysis in Azadegan Oil Field

یكی از پارامترهای مهم ژئوشیمیایی، مقدار كربن آلی كل (TOC) است كه جهت ارزیابی پتانسیل هیدروكربن‌زایی سنگ منشأ استفاده می‌شود. اندازه‌گیری این پارامتر مهم مستلزم انجام آزمایش‌های ژئوشیمیایی بر روی خرده‌های حفاری است كه بسیار پرهزینه و وقت‌گیراند و برای تعداد محدودی نمونه انجام می‌شوند. در حالی كه در اكثر چاه‌‎های حفاری‌شده در یك میدان نفتی داده‌های پتروفیزیكی در اختیار است. در این مطالعه از فناوری شبكه عصبی مصنوعی جهت تخمین نگار TOC از داده‌های پتروفیزیكی استفاده شده است. مقدار ضریب همبستگی بین نگار TOC تولیدشده از شبكه عصبی با داده‌های TOC حاصل از پیرولیز راك ایول 71% است كه مقداری قابل قبول است. سپس از نگار كربن آلی كل تخمین‌زده‌شده برای شناسایی رخساره‌های آلی با حداكثر تولید كربن آلی كل استفاده شده است. روش به‌كاررفته در این مطالعه آنالیز خوشه‌ای است كه خود شامل دو روش MRGC و AHC است. نتایج حاصل از این دو روش با یكدیگر مقایسه شدند و براساس آزمون ارزیابی خوشه‌ای، بهترین روش برای خوشه‌بندی داده‌های پتروفیزیكی در رخساره‌های معین استفاده شد. نتایج نشان دادند كه روش خوشه‌بندی MRGC نتایج بهتر و با دقت بالاتری را ارائه می‌دهد. همچنین استفاده از این روش جهت شناسایی رخساره‌های آلی نسبت به روش AHC برتری خاصی دارد و خوشه‌هایی با قابلیت تفكیك بهتری ارائه می‌دهد. روش ارائه‌شده همراه با مثال موردی در یك حلقه از چاه‌های میدان آزادگان واقع در دشت آبادان توضیح داده شده است.  

One of the major geochemical parameters is total organic carbon (TOC) which is used to evaluate hydrocarbon generation potential of source rocks. Measurement of such important parameter requires performing tests on small-scale drill cuttings which is too expensive and they are measured on a limited number of samples. However, petrophysical data are measured for all drilled wells in a hydrocarbon field. In this paper, the artificial neural network technology was used to estimate TOC from petrophysical logs. The correlation coefficient between the estimated TOC from neural network and measured data from Rock-Eval pyrolysis is 71% which is an acceptable value. Then, the estimated total organic carbon log is used to identify the organic facies with a maximum amount of TOC. The methodology used in this paper is cluster analysis that includes MRGC and AHC methods. The results of these two methods are compared and evaluated based on cluster validity test and the best method of data clustering was used to cluster petrophysical data into certain facies. The results showed that the MRGC clustering provides better results with higher accuracy. Moreover, using this method has advantages in comparison to AHC for determination of organic facies and has capabilities to provide high resolution clusters. The presented methodology was explained by using a case study from one well of Azadegan field, Abadan plain.