تخمين تراوايي با استفاده از روش واحدهاي جريان هيدروليكي و شبكه‌هاي عصبي مصنوعي در مخزن داريان ميدان نفتي رشادت

Estimation of permeability by using hydraulic flow units and artificial neural networks in the Dairyman Formation as reservoir located in the Reshadat oil field

تراوايي يكي از پارامترهاي مهم براي توصيف و بررسي توليد از مخزن است. به طور معمول تراوايي با استفاده از داده‌هاي مغزه و نگارهاي چاه‌پيمايي تخمين زده مي‌شود. اما به دليل بالا بودن هزينه‌ي عمليات مغزه‌گيري، تهيه‌ي مغزه از تمامي چاه‌هاي يك ميدان امكان‌پذير نمي‌باشد. در سال‌هاي اخير، استفاده از روش واحدهاي جريان هيدروليكي و سيستم‌هاي هوشمند نظير شبكه‌هاي عصبي جهت تخمين پارامترهاي مخزن، پيشرفت‌هاي بسيار چشمگيري داشته است. اين پژوهش بر روي سازند مخزني كربناته داريان در ميدان نفتي رشادت، انجام شد. ابتدا شاخص زون جرياني به كمك داده‌هاي مغزه و روش شبكه عصبي مصنوعي در چاه‌هاي موجود تعيين و به چاه فاقد مغزه تعميم داده شد، سپس شاخص زون جرياني در اين چاه محاسبه شد. در ادامه، با استفاده از روش واحدهاي جريان هيدروليكي و شبكه‌هاي عصبي مصنوعي، تراوايي در چاه فاقد مغزه تخمين زده شد. مقدار ضريب همبستگي بين تراوايي مغزه و تراوايي محاسبه شده با روش واحدهاي جريان هيدروليكي توسط شبكه‌هاي عصبي 87/0R2= و با روش شبكه‌هاي عصبي مصنوعي 82/0 R2=محاسبه گرديد. اين نتايج نشان‌دهنده دقت روش واحدهاي جريان هيدروليكي جهت بهبود تخمين تراوايي است.

One of the important parameters to describe and examine the production of the reservoir is the permeability. Permeability is conventionally estimated by using core and well logging data. Core operations are expensive. So, the possibility of performing them in all wells of a field does not exist. In recent years, the method of hydraulic flow units and Intelligent Systems such as neural networks to estimate the reservoir parameters has been very significant progress. This study has been done on the Dariyan Carbonate Formation which is reservoir in the Reshadat oil field. First, the flow zone index (FZI) has been determined by using the method of artificial neural networks and core data in existing wells and FZI has been generalized and calculated for wells without core. Finally, permeability has been estimated by the hydraulic flow units using artificial neural networks in the wells without core. The correlation coefficient between core permeability and permeability results calculated by combining the two approaches of hydraulic flow units and neural networks is R2=0.87 and by using artificial neural networks is R2= 0.82 which shows the accuracy of the hydraulic units for improving the estimation of permeability. Key words: flow zone index, well logging, core operations, Dariyan Carbonate Formation as reservoir.