تخمين تخلخل مخزن با استفاده از شبكه با تابع شعاعي ديناميكي ( بر اساس نشانگر لرزه اي امپدانس صوتي )

تخلخل یكی از اساسی ترین پارامترهای پتروفیزیكی مخزن است . در مكان هایی كه مغزه گیری نشده تخمین تخلخل از روی نگارهای چاه با روشهای استاتیكی كار پیچیده ای است و استفاده از تكنیكهای پیشرفته تخمین اجتناب ناپذیر است . این ابزارها با كاهش هزینه های اكتشاف در بهره برداری از منابع هیدروكربنی كمك شایانی می كنند . از جمله این ابزارها شبكه های عصبی مصنوعی است. هدف این تحقیق طراحی یك شبكه عصبی مصنوعی از نوع شعاعی دینامیكی DRBF برای تخمین تخلخل یك مخزن هیدروكربنی با استفاده از نشانگر لرزه ای امپدانس صوتی و پیدا كردن یك رابطه غیر خطی بین نشانگر لرزه ای و تخلخل مخزن است. اطلاعات موجود از نگاره های چاه به عنوان مقادیر آموزشی تابع شعاعی استفاده شد. پس از اعمال الگوریتم، خروجی شبكه كه همان تخلخل واقعی است بدست آمد. سپس الگوریتم بدست آمده روی داده های لرزه ای حاصل از نشانگر مقاومت صوتی اعمال شد تا تخلخل پیش بینی شده بدست آید. در نهایت شبكه عصبی شعاعی DRBF برای برآورد توزیع تخلخل در میدان نفتی جنوب غربی ایران به كاربرده شد. نتایج نشان می دهد تخلخل پیش بینی شده با روش DRBF دارای دقت بالایی است.

Porosity is one of the most basic reservoir petrophysical parameters. In places that there are not any core, prediction of porosity from well logs with static methods is complicated and usage of prediction advanced techniques is inevitable. This means by reducing the costs of exploration to the exploitation of hydrocarbon resources are helpful. Tools such as artificial neural networks. The purpose of this study is to design an artificial neural network of radial dynamic DRBF To prediction the porosity of a hydrocarbon reservoir using seismic acoustic impedance attribute And find a nonlinear relationship between seismic attributes and reservoir porosity. Informations from the well logs were used as training for redial basic function. After applying the algorithm, Network output, the actual porosity was obtained.Then the algorithm obtained from the seismic data from acoustic impedance attributes was applied to achieve the predicted porosity.Finally radial neural network DRBF was used to predict the distribution of pore in oil field in southwest of Iran. The results show that the porosity had predicted with DRBF have high accuracy