مدل‌سازي مكاني مناطق اكتشاف نفتي با سيستم استنتاج فازي عصبي تطبيقي (ANFIS) در GIS

Spatial modeling of oil exploration areas using adaptive inference systems neuro - fuzzy (ANFIS) in GIS

فرآيند اكتشاف منابع هيدروكربني فرآيندي بسيار پيچيده و پرهزينه مي‌باشد. در اين فرايند فاكتورهاي متعدد زمين‌شناسي، ژيوشيمي و ژيوفيزيك تهيه و باهم تلفيق مي‌شوند. طراحي بهترين مسير براي برداشت داده‌هاي لرزه‌نگاري و همچنين تعيين بهترين محل براي حفر چاه‌هاي اكتشافي از اهميت ويژه‌ايي برخوردار است، زيرا عدم دقت در انتخاب موقعيت مكاني، صرف هزينه و زمان زياد در طول عمليات مي‌باشد. هدف اين تحقيق تعيين مناطق محتمل نفت و گاز در برگه 1:250000 اهواز با 20 ميدان نفتي به منظور كاهش زمان و هزينه اكتشاف و توليد است بدين منظور 17 نقشه‌ي فاكتور شامل : كمترين و بيشترين مقدار (غناي كربن آلي (TOC)، بازده پتانسيل براي توليد هيدرو‌كربن (PP)، پيك دمايي Tmax، شاخص توليد (PI)، انديس اكسيژن (OI)، انديس هيدروژن (HI))و‌ داده‌هاي مجاورت به مناطق داراي آنومالي باقيمانده ثقل بوگه بالا، محور طاقدي‌ها و گسل‌ها، نقشه‌ي ناهمواري و انحناي حاصل از منحني‌هاي زير سطحي سازند آسماري توسط توابع GIS ايجاد شدند. براي تركيب نقشه‌هاي فاكتور، از سيستم استنتاج فازي عصبي تطبيقي كه از روش‌هاي داده مبنا مي‌باشد، استفاده شد. نتايج حاصل از مدل‌سازي با داده‌هاي آزمون نشان داد كه مدل مذكور با شاخص كاپاي 859/0، همبستگي 839/0 و متوسط ريشه مربع خطا برابر با 0399/0 توانسته است با دقت بالايي ميدان‌هاي نفتي را پيش‌بيني كند، هرچند ميدان‌هاي از قبيل شاور و سپهر شناسايي نشده و برخي قسمتها نيز به اشتباه، مناطق نفتي پيش‌بيني شده‌اند.

The exploration of hydrocarbon resources as a process is very complex and costly. In this process multiple factors of geology, geochemistry and geophysics are considered and combined together. Designing the best route to take seismic data and determine the best location for drilling exploration wells is extremely important. Since improper or careless determine the selection of location is time consuming and expensive during the operation. The aim of this study was to identify possible areas for oil and gas in the map of 1: 250,000 Ahvaz with 20 oil fields using adaptive inference systems neuro - fuzzy (ANFIS) and geographic information systems (GIS). For this purpose, 17 maps of factors including: the lowest and highest value (total organic carbon (TOC), potential for the production of hydrocarbons (PP), peak Tmax, the production index (PI), oxygen index (OI), hydrogen index (HI)) and the proximity to areas of high bouguer gravity anomaly, anticline axis and faults, map the topography and curvature of the yield curve Asmari subsurface were created by GIS functions. For combined factor map, the adaptive inference systems neuro - fuzzy (ANFIS) that is data-driven methods were used. The results of test data showed that the model with a R = 0.839 ,RMSE=0.0339 and the Kappa=0.859 was able to accurately predict the oil fields, but fields such as Shaver and Sepehr have not been identified and Also some areas were mistakenly classified oil fields.