آناليز پارامترهاي وارونسازي جهت تخمين تخلخل در يكي از ميادين نفتي (جنوب غربي ايران)

Analysis of seismic inversion parameters for estimation of porosity in one of the oil-fields (Iranian south-west)

بكارگیری دادههای لرزهای باهدف تخمین خواص مخزنی، یكی از روشهای بسیار متداول در مدلسازیهای مخزنی است. دادههای لرزهای به نوعی كاستی مربوط به اطلاعات چاه را جبران نموده و امكان بررسی تغییرات جانبی خواص مخزنی رامیسر میسازند. بطور معمول دامنههای لرزهای همبستگی مشخصی را با خواص مخزنی نشان نمیدهند و نیاز به یافتن نشانگرهای لرزهای مرتبط با خواص مخزنی امری ضروری است. یكی از مهمترین نشانگرهای لرزهای كه وابستگی زیادی را با خواص مخزنی به ویژه تخلخل كل مخزن نشان میدهد، نشانگر مقاومت صوتی است . محاسبه مقاومت صوتی ازدادههای لرزهای نیازمند كالیبره نمودن دادههای چاه و اطلاعات لرزهای است كه این مسئله در نواحی كوهستانی به دلیل وجود توپوگرافی ناحیهای امری چالش برانگیز است و ممكن است باعث بروز خطاهای جبران ناپذیری در جریان وارونسازی گردد. در این مقاله راهكاری جهت كالیبراسیون دادههای چاه و لرزه ارائه شده كه قادر به حذف خطاهای موجود در این كار است. پس از انجام وارونسازی لرزهای و محاسبه مقاومت صوتی، یافتن رابطه میان تخلخل اندازهگیری شده در چاه و دادههای لرزهای به دلیل اختلاف در بازه نمونهگیری نیازمند توجه ویژهای است. در این مقاله با بهره گیریاز روش چند نقطهای برازش به كمك همامیخت برداری به یافتن رابطهای میان تخلخل كل و مقاومت صوتی پرداخته شده است. در نهایت، تخلخل كل مخزن با دقت قابل قبولی با استفاده از شبكههای عصبی محاسبه گردید

Estimation of reservoir properties by utilizing seismic data is an acceptable solution in reservoir modeling. Seismic data may compensate the sparseness of well data throughout the reservoir, especially where lateral facies variations exist. It is crucial to understand that seismic amplitudes are not inherently sensitive to reservoir properties such as total porosity. Hence, it is important to extract seismic attributes especially acoustic impedance to correlate with well data. The most important step of correlation is calibration seismic to well data. This article presents a workflow to calibrate seismic to well data with high degree of precision. In addition, different resolution of seismic and well data requires a sophisticated method of calibration. This article indicated that how multi-point regression is effective in obtaining the relationship between extracted acoustic impedances and well data. Finally the reservoir properties are estimated by back propagation neural network method.