تخمين سرعت موج برشي در يكي از مخازن هيدروكربوري جنوب غربي ايران با استفاده از چاه‌نمودارهاي مختلف و يك روش جديد تركيبي هوشمند

Estimation of Shear Wave Velocity in one Iranian Hydrocarbon Reservoir Using Conventional Well logs and a New Intelligence Method

تعيين سرعت موج ‌برشي توسط روش‌هايي مانند آناليز مغزه مستلزم صرف زمان و هزينه گزافي مي‌باشد و همچنين به علت نبود مغزه‌هاي كافي و تغييرات سنگ‌شناسي و ناهمگني سنگ مخزن،‌ تعيين اين پارامتر توسط روش‌هاي معمول از دقت چنداني برخوردار نمي‌باشد. همچنين تاكنون روابط تجربي فراواني نيز در مورد محاسبه سرعت امواج برشي ارائه شده است، اما در بيشتر موارد استفاده از اين روابط در مناطق مختلف نمي‌تواند مطلوب باشد. روش‌هاي هوشمند يكي از روش‌هاي جديد، كم‌ هزينه و دقيقي هستند كه مي‌توانند با استفاده از نگارهاي پتروفيزيكي، سرعت موج‌ برشي مخزن را در كمترين زمان ممكن تخمين بزنند. لذا در اين مطالعه با استفاده از چاه نگارهاي مختلف سرعت موج برشي با استفاده از يك روش تركيبي هوشمند (تركيب روش رگرسيون بردار پشتيبان با الگوريتم بهينه‌ساز مبتني بر آموزش و يادگيري) در يكي از مخازن هيدروكربوري جنوب غربي ايران (ميدان مارون) برآورد شده است. جهت بكارگيري اين روش تركيبي هوشمند مجموعه داده‌هاي بدست آمده از مخزن 3800 بوده كه به دو بخش داده‌هاي آموزش (3040 داده) و داده‌هاي آزمون جهت ارزيابي مدل (760 داده) تقسيم شدند. پس از مدل‌سازي نتايج به‌دست ‌آمده نشان مي‌دهد كه روش‌ مذكور در برآورد غيرمستقيم سرعت موج‌ برشي در مخازني كه اين پارامتر اندازه‌گيري نشده است، داراي دقت و قابليت بالايي است.

Determination of shear wave velocity (Vs) by methods such as core analysis is time-consuming and costly. Also due to lack of sufficient core, lithology changes and heterogeneity of reservoir rock, did not have accurate determination by traditional methods. It also has plenty of empirical relationships is presented in the Vs, But in most cases it can be desirable to use this relationship in different areas. Intelligent methods using petrophysical reservoir predicted Vs in the shortest possible time. In this study, Vs was predicted from well logs data using support vector regression algorithm-based teaching and learning method in one Iranian hydrocarbon reservoir (Maroon Square). For this purpose, a total of 3800 data points were utilized. These data were divided into two parts, one part included 3040 data points used for training models and the other part included 760 data points used for testing model. After modeling of results data show that a new intelligence techniques were useful methods for prediction of Vs in reservoirs that this parameter has not been measured.