مدل‌سازي رخساره‌اي مخزن با استفاده از وارونسازي تصادفي و روش آشفتگي احتمال

Reservoir facies modeling using stochastic inversion and probability perturbation method

يكي از مراحل اساسي در تعيين خواص مخزن، مدل‌سازي رخساره‌هاي مختلف آن است. در اين مقاله يك روش وارون‌سازي تصادفي براي مدل‌سازي رخساره‌ها با استفاده از نمودارهاي چاه‌ها و داده‌هاي برانبارش‌شده زاويه‌اي ارائه شده است. در ابتدا با استفاده از روش شبيه‌سازي متوالي شاخص، احتمال شرطي رخداد شاخص‌هاي رخساره نسبت به نمودارهاي چاه‌ها‌ در هر سلول محاسبه شد. سپس با استفاده از روش شبيه‌سازي متوالي گوسي و روابط فيزيك‌سنگي، خصوصيات مخزني و كشسان رخساره-هاي سنگي مخزن به دست آمد. به منظور ساخت و به‌روزرساني مدل رخساره‌اي همخوان با داده‌هاي لرزه‌اي از الگوريتم بهينه-سازي تصادفي آشفتگي احتمال استفاده شد. اين روش با تغيير پي‌در‌پي احتمال رخساره‌اي مشروط به داده‌هاي لرزه‌اي در هر سلول، سعي در ايجاد مدلي از رخساره و ديگر خواص مخزن دارد كه همبستگي خوبي با داده‌هاي لرزه‌اي داشته باشد. براي به دست آوردن توزيع احتمال كلي وقوع رخساره‌ها از احتمال رخساره‌اي مشروط به داده‌هاي لرزه‌اي و احتمال رخساره‌اي مشروط به نمودار‌هاي چاه‌ها از مدل تاو استفاده شد. در هر مرحله پس از به دست آوردن خواص مختلف، مدل پيشرو ژئوفيزيكي ساخته شد و با داده‌هاي لرزه‌اي مقايسه شد. در نهايت تمامي اين مراحل براي مدل‌هاي احتمالي مختلفي كه از روش شبيه‌سازي متوالي شاخص به دست آمد، استفاده شد. اين روش در دو بعد روي داده‌هاي مصنوعي در حالت‌هايي با نسبت سيگنال به نوفه متفاوت اعمال شد. در حالتي كه از داده‌هاي لرزه‌اي با نسبت سيگنال به نوفه 9 استفاده شد، مدلي با تفكيك‌پذيري بالا براي رخساره به دست آمد كه تطابقي 81.83 درصدي با مدل رخساره مرجع داشت و باعث بهبودي 19.97 درصدي مدل اوليه رخساره شد. به منظور بررسي بيشتر اين روش در دو حالت سيگنال به نوفه 4 و 2 نيز اعمال شد كه نشان داد اين روش توانايي خوبي در تشخيص رخساره و ديگر خواص مخزني و كشسان لايه‌هاي موجود در مخزن را داراست.

One of the basic steps in determination of the characteristics of a reservoir is modeling its various facies. In this paper, a geostatistical inversion method is presented for facies modeling using well logs and angle stack data. First, the conditional probability of occurrence of facies conditioned to well logs in each cell has been calculated using the sequential indicator simulation method. Then, petrophysical and elastic properties of reservoir facies have been obtained using the Gaussian sequential simulation method and rock physics relations. In order to generate and update the facies model consistent with seismic data, the probability perturbation optimization algorithm has been used. This method tries to create a model of facies and other properties of the reservoir that have a good consistency with seismic data by successively changing the facies probability conditioned to seismic data in each cell. To obtain the total probability distribution of facies occurrence from the probability of facies conditioned to seismic data and the probability of facies conditioned to well logs, Tau model has been used. At each stage, after obtaining different properties, a geophysical forward model is constructed and compared with seismic data. Finally, all these steps are used for different possible models obtained from the sequential indicator simulation method. This method is applied to synthetic data sets with different signal-tonoise ratios. In the case of seismic data with a signal-to-noise ratio of 9, a high-resolution model for the facies has been obtained that is 81.83% consistent with the reference facies model and has improved the initial facies model by 19.97%. In order to further investigate this method, it has also been applied to seismic data with the signal-to-noise ratios of 4 and 2. The results have shown that this method has a good ability to detect facies and other petrophysical and elastic properties of the layers in the reservoir