خوشه‌بندي خصوصيات مخزن جهت تشخيص نوع سنگ با استفاده از روش كي-ميانگين در يكي از ميادين نفتي جنوب غرب ايران

Reservoir Characterization Clustering Analysis to Identify Rock Type Using KMEANS Method in South West Iranian Oil Field

تعيين گونه هاي سنگ در ساخت مدل استاتيك و پوياي مخازن هيدروكربني از اهميت ويژه اي برخوردار مي باشد. تخمين دقيق خواص سنگ هاي مخزني، باعث افزايش دقت و صحت در پيش بيني ميزان ذخيره مخزن و عملكرد آن مي شود. تاكنون مدل هاي متعددي براي تعيين گونه هاي سنگ هاي مخزن توسط متخصصين پيشنهادشده است؛ اما اكثر مدل هاي پيشنهادي بر اساس روش هاي متداول مدل محور مهندسي و زمين شناسي سنگ هاي مخزني كربناته استوار بوده است. بنابراين استفاده از يك روش يادگيري ماشين براي تعيين گونه هاي سنگي در مقايسه با روش هاي پيشين و مقايسه كارايي و عملكرد آن با ساير روش ها ضروري به نظر مي رسد. در اين مطالعه داده هاي مغزه و لاگ در مخزن نفتي مارون پس از آماده سازي، با استفاده از تكنيك سري هاي زماني پويا (DTW) هم عمق سازي شده اند. سپس داده هاي مغزه توسط روش يادگيري ماشين غير نظارتي كي-ميانگين خوشه بندي شدند. همچنين فرآيند خوشه بندي داده هاي مغزه توسط روش هاي متداول مدل محور از قبيل روش شاخص منطقه جرياني (FZI) و وينلند نيز انجام گرديد. در ادامه نتايج خوشه بندي با استفاده از روش هاي كي-ميانگين، شاخص منطقه جرياني و وينلند با در اختيار داشتن اطلاعات ليتولوژي لاگ ها صحت سنجي شده و با يكديگر مقايسه شده است. روش كي-ميانگين با معيار صحت سنجي 93.5 درصد، موفق به انجام بيشترين تفكيك پذيري خوشه ها شد كه نشان داد روش يادگيري ماشين مبتني بر داده كي-ميانگين، جايگزين مناسبي براي روش هاي متداول مدل محور براي خوشه بندي گونه هاي سنگي مي باشند.

Determination of rock types is of special importance in the construction of static and dynamic models of hydrocarbon reservoirs. Estimating the properties of reservoir rocks increases the accuracy in predicting the amount of reservoir storage and its performance. Numerous models have been proposed by experts to determine the types of reservoir rocks. But most of the proposed models are based on conventional methods based on engineering and geology of carbonate reservoir rocks. Therefore, using a machine learning method to determine rock species in comparison with previous methods and comparing its efficiency and performance with other methods seems necessary. In this study, core and log data in maroon oil reservoir after preparation were match using Dynamic Time Series (DTW) technique for depth matching. The brain data were then clustered by the non-supervised machine learning method. The kernel data clustering process was also performed by conventional model-based methods such as flow zone index method (FZI) and Winland. Then, the clustering results were validated and compared with kmeans, FZI and Winland methods by having the lithology information of the logs. The kmeans method with a 93.5% accuracy criterion succeeded in performing the highest cluster resolution, which showed that the kmeans data-based machine learning method is a suitable alternative to conventional model-based methods for clustering rock typing.