تخمين شاخص بلوغ از نگارهاي چاه‌پيمايي و داده‌هاي لرزه‌اي با بكارگيري روش بهينه‌سازي كلوني مورچگان در ميدان نفتي منصوري

Estimation of a Maturity Index from Well Log and Seismic Data via Ant Colony Optimization Technique in Mansuri Oil Field

بلوغ حرارتی فاكتور مهم ژئوشیمیایی در اكتشاف هیدروكربن و ارزیابی سنگ منشأ می‌باشد. بلوغ حرارتی شاخصی جهت تعیین حداكثر دما می‌باشد كه سنگ منشأ طی مراحل مختلف ارزیابی هیدروكربن متحمل شده است. اندازه‌گیری این پارامتر مستلزم انجام آزمایشات ژئوشیمی بر روی كنده‌های حفاری می‌باشد كه پرهزینه و وقت‌گیر است، بنابراین هدف اصلی تحقیق توسعه یك روش نوین برای تخمین مستقیم این پارامتر از نگارهای چاه‌پیمایی و داده‌های لرزه‌ای با استفاده از الگوریتم فراابتكاری به نام الگوریتم كلونی مورچگان است. در این پژوهش، داده‌های لرزه‌ای 2 بعدی و داده‌های پتروفیزیكی سازند پابده از 3 چاه میدان نفتی منصوری مورد استفاده قرار گرفت. همچنین معادله شاخص بلوغ در محل چاه‌ها جهت پیشگویی شاخص بلوغ از نگارهای چاه‌پیمایی مانند نوترون، مقاومت، صوتی و چگالی استفاده گردید. این مقادیر محاسبه شده به‌عنوان ورودی آنالیز چند نشانگری به كار گرفته شد. وارون‌سازی لرزه‌ای براساس الگوریتم شبكه عصبی به دلیل دقت بالا اجرا شد و امپدانس صوتی حاصله به‌عنوان نشانگر بیرونی به‌كار برده شد. سپس شبكه عصبی احتمالاتی با استفاده از نشانگرهای پیشگویی شده حاصل از رگرسیون چندگانه آموزش داده شد. متعاقباً شاخص بلوغ با ضریب تطابق 87% توسط نشانگرهای لرزه‌ای تخمین زده شد. در مرحله بعد، روش بهینه‌سازی كلونی مورچگان غیر‌خطی به‌عنوان ابزاری هوشمند جهت تخمین و تولید مقطع لرزه‌ای شاخص بلوغ استفاده گردید. كلونی مورچگان غیر‌خطی ضرایب وزنی را برای هر یك از نشان‌گرهای لرزه‌ای محاسبه نمود. ضریب تطابق بین داده‌های ورودی و خروجی توسط الگوریتم ژنتیك غیر‌خطی 91% تخمین زده شد. در انتها، مقطع لرزه‌ای شاخص بلوغ تولید شد. مقایسه نتایج حاصل از روش‌های  شبكه عصبی احتمالاتی و بهینه‌سازی كلونی مورچگان نشان داد كه صحت مدل كلونی مورچگان بیشتر از شبكه عصبی احتمالاتی است.  

Thermal maturity is the primary geological factor in petroleum exploration and source rock assessment.  Besides, Thermal maturity is an index to determine the maximum temperature that the source rock which has endured at the different stages of  an evaluation of hydrocarbon. Measurement of this parameter requires conducting geochemical analyses on cutting samples which is expensive and time consuming, therefore the main objective of the research is development of a new method for direct estimation of this parameter from well log and seismic using a metaheuristic algorithm called Ant Colony Algorithm. In this research, 2D-seismic and petrophysical data of the Pabdeh Formation from 3 wells of the Mansuri Oil field were used. Also, a Maturity Index Equation at the well location was used to predict Maturity Index values from well logs; such as, neutron, resistivity, sonic and density. These calculated values were used as inputs for a Multi Attribute Analysis. Seismic inversion was performed based on a Neural Networks Algorithm because of its high accuracy;  moreover, the resulting acoustic impedance was utilized as an external attribute. Afterwards, a Probabilistic Neural Network was trained using the set of predicting attributes derived from multiple  regressions. Subsequently, MI was estimated using seismic attributes with a correlation coefficient of 87%. In the next step, the nonlinear Ant Colony Optimization technique was utilized as an intelligent tool to estimate and product a Maturity Index seismic section. It calculates weight factors for each of seismic attributes. The correlation coefficient between the input and output data was estimated 91% by nonlinear ACO. Finally, MI seismic section was produced. The comparison of the results from PNN with ACO methods revealed that the accuracy of ACO model was higher than the PNN.