ارزيابي گونه‌هاي سنگ مخزن آسماري ميدان گچساران با استفاده از روش آناليز خوشه‌اي به كمك شبكه عصبي مصنوعي نگاشت خود سازمان يافته (SOM)

Implementing a Cluster Analysis with the Aid of Self-Organized Map Artificial Neural Network for Assessment of the Asmari Reservoir Rock Type (Gachsaran Oil Field)

شناسایی تغییرات ویژگی‌های زمین‌شناسی و مخزنی در غالب گونه‌های سنگی از طریق مشخص كردن رخساره‌های لاگ و تایید آنها با داده‌های مغزه امكان‌پذیر است. در این مقاله ابتدا سازند آسماری با استفاده از مقاطع نازك مغزه، میكروفاسیس‌ها و فرایندهای دیاژنزی مورد مطالعه قرار گرفت. سپس با استفاده از الگوریتم شبكه عصبی خود سازمان یافته و روش آنالیز خوشه‌ای، داده‌های نمودارهای چاه‌پیمایی متعلق به 5 چاه مغزه‌گیری شده مخزن آسماری در میدان گچساران خوشه‌بندی شده و تعداد 5 رخساره لاگ به عنوان مدل رخساره لاگ انتخاب شدند. با بررسی این مدل و مقایسه آن با داده‌های مغزه (تخلخل، تراوایی و منحنی فشار موئینه) و پتروگرافی به طور قابل قبولی رخساره‌های لاگ تایید شده، و به عنوان گونه سنگی معرفی شدند. باتوجه به نتیجه خوب آن در تفكیك بخش‌های مخزنی، این مدل به سایر چاه‌های فاقد مغزه كه فقط داده‌های نمودارهای چاه پیمایی آنها در دسترس بود انتشار داده شد و روند تغییرات گونه‌های سنگ در طول میدان مورد بررسی قرار گرفت.  

Identification of geological and reservoir changes in accordance with changing rock types is possible through log-facies studies and confirmation of those facies with core data. In the present study, first, in order to determination of microfacies and diagenesis processes, the Asmarri formation has been studied using thin sections of cores. Then well logging and core data of 5 wellbores from Asmari reservoir in Gachsaran field were clustered with the aid of Self-Organizing Map Neural Network algorithm, and then 5 facies models were selected among log facies. The log facies were acceptably confirmed through consideration and comparison of these models with tow cases: (1) core data (porosity, permeability and capillary pressure curve) and (2) petrography. Afterward, the log facies were presented as reservoir rock types. Regarding the good results in distinguishing reservoir horizons, the model was propagated in other wellbores in which only logging data were available, and the trend of changes in rock types were investigated through the entire field.