شناسايي راك‌تايپ‌هاي مخزني با استفاده از الگوريتم گوستافسون‌-كسل و تخمين‌گر لوليموت

Reservoir Rock Type Identification Using Gustafson Kessel Algorithm and LOLIMOT Estimator

تفكیك مخزن به بخش‌های هموژن از نظر ویژگی‌های پتروفیزیكی مانند تخلخل و تراوایی را شناسایی راك‌تایپ‌های پتروفیزیكی می‌نامند. روش‌ها و معادلاتی متعدد برای بررسی راك‌تایپ‌های پتروفیزیكی وجود دارند: معادلات وینلند، معادلات پیتمن و شاخص كیفیت سنگ و ... . لازمه شناسایی و تفكیك زون‌های مخزنی برمبنای این ویژگی‌ها وجود مغزه‌ است، ولی در اغلب چاه‌های نفت و حتی در تمام اعماق یك چاه مغزه‌گیری ممكن نیست، اما تقریبا در تمام چاه‌ها نمودارگیری به‏صورت پیوسته انجام می‌شود. به همین علت یافتن روش‌هایی برای تخمین زدن تخلخل و تراوایی با استفاده از دیگر ویژگی‌هایی مخزنی دردسترس مهم است. در این مقاله برای بررسی كارایی سیستم فازی- عصبی درخت مدل خطی محلی(لولیموت) در تفكیك راك‌تایپ‌های پتروفیزیكی، نتایج حاصل از عمل‏كرد این سیستم با داده‌های حاصل از مغزه‌های موجود و نیز الگوریتم شبكه عصبی چندلایه مقایسه شدند و روی‏كرد مذكور، با توجه به راهبرد تقسیم و تسخیر، قابلیتی مناسب در زون‌بندی مخزن نشان داد. علاوه بر این برای افزایش كارایی روش فوق و بررسی اثر همگن‌سازی داده‌ها بر نتایج، داده‌ها قبل از ورود به سیستم فازی- عصبی با استفاده از روش گوستافسون- ‌كسل خوشه‌بندی شدند. براساس نتایج به‌دست‏آمده، دقت زون‌بندی مخازن نفتی براساس راك‌تایپ‌های پتروفیزیكی با استفاده از این روش بالاتر است. در نهایت در این مقاله براساس معادلات وینلند و با استفاده از چاه‌‌نگارها و داده‌های مغزه موجود، دو چاه در یكی از مخازن نفتی جنوب ایران زون‌بندی و راك‌تایپ‌های پتروفیزیكی به‏خوبی از یك‏دیگر تفكیك شدند.  

Identifying reservoir rock types or a petrophysical rock type is separating a reservoir to homogeneous part based on petrophysical characterization like porosity and permeability. There are different ways to study the reservoir or petrophysical rock types like; Winland’s equation, Pittman’s equation and rock quality index. For detecting and separating reservoir zones based on these properties, we need core data but in most wells even if in all parts of one well, there is no way to coring. Nevertheless, logging will do in all wells. Because of that, finding some ways to estimate porosity and permeability using other available properties is very important. In this assay, for studying the efficiency of the local linear model tree (LOLIMOT) neuro-fuzzy system in detecting petrophysical rock types, we compare the achieved result with the core analysis and MLP neural network algorithm. Based on the results, the local linear model tree (LOLIMOT) neuro-fuzzy system has great sufficiency in reservoir zoning because this method uses a divided and conquer strategy.  Besides, this for decreasing the efficiency of this method and studying the effect of homogenization of data on the result, the data were clustered with Gustafson Kessel clustering method before using the neuro-fuzzy system. According to the results, zoning petroleum reserviors will be done based on petrophsical rock type with higher accuracy. Finally, in this study, based on Winland’s equation and using well logs and core  analyses, 2 wells in one of the reservoirs in south part of Iran were clustered, and thereby zoning and petrophysical rock types were well detected and separated from each other.