برآورد و مدل سازي مقدار كل كربن آلي به وسيله تركيب روش هاي شبكه عصبي و زمين آماري در يكي از ميادين ايران

Estimation and modeling of the TOC using hybrid neural network and geostatistical approaches in the one of the Iranian fields

مقدار كل كربن آلي يكي از پارامترهاي مهم در ارزيابي ژئوشيميايي سنگ هاي منشا و مدل سازي سيستم هاي نفتي در يك حوضه رسوبي است. در اين مطالعه از يك روش سه مرحله اي براي بدست آوردن اين پارامتر از داده هاي لاگ و مدل سازي آن استفاده شده است. در مرحله اول با استفاده از پيروليز راك- ايول مقدار كل كربن آلي مربوط به تعداد محدودي از نمونه هاي مغزه و خرده حفاري بدست آمده است. در مرحله دوم شبكه هاي عصبي هوشمند با الگوريتم پس انتشار خطا براي پيش بيني اين پارامتر از نمودار هاي چاه نگاري در محدوده هر چاه مورد استفاده قرار گرفتند. ضرايب تعيين بين داده هاي محاسبه شده و داده هاي مطلوب توسط مدل بهينه در مراحل آموزش، اعتبارسنجي و تست به ترتيب برابر با 90% ، 88% و 91% بوده كه نشان از كارآمدي و دقت بالاي اين روش در برآورد ميزان كل ماده آلي دارد. در مرحله سوم به منظور بررسي چگونگي توزيع جانبي و قائم مقدار كل كربن آلي، از علم زمين آمار و مدل سازي استفاده شده است. روش مورد نظر همراه با مثال موردي از بزرگترين مخزن گازي غير همراه جهان، ميدان گازي پارس جنوبي در حوضه خليج فارس ارائه گرديده است.

The amount of the Total Organic Carbon (TOC) is one of the most important parameters in geochemical evaluation of hydrocarbon source rocks and subsequent petroleum system modeling. We proposed a three- step approach in predicting and modeling TOC content from well log data. Initially, TOC evaluated for 92 core and cutting samples by Rock-Eval pyrolysis method. In the next step the TOC were predicted using intelligent neural network with back propagation algorithm from well log data. Correlation coefficient between the network output and target data in the training, validation and testing steps for the optimized model is 0.9, 0.88 and 0.91 respectively which indicate the satisfactory approach in predicting TOC. Finally geostatistical methods were used to 3D modeling of this parameter in the field study. The proposed methodology is illustrated using a case study from the world's largest non-associated gas reservoir, the South Pars Gas Field, the Persian Gulf basi .