Application of back-propagation and generalized regression artificial neural networks in prediction of porosity from wire line log data and core plug analysis: case study from the Gachsaran oilfield

طراحي شبكه عصبي مصنوعي براي پيش‌بيني تخلخل مخزن آسماري در ميدان گچساران با استفاده از داده‌هاي چاه پيمايي و تخلخل مغزه

تعيين تخلخل مخزن، به عنوان يكي از مهم ترين پارامترهاي پتروفيزيكي، نقش مهمي در صنايع بالادستي نفت ايفا مي نمايد. يكي از روش هاي نوين مورد استفاده در مدلسازي و تخمين تخلخل، طراحي شبكه هاي عصبي مصنوعي است كه براي پيش بيني پارامترهاي پتروفيزيكي به كار مي رود. شبكه عصبي مصنوعي، روشي محاسبه ايست كه برگرفته از علم زيست شناسي بوده و ابزاري قوي براي حل مشكلات فراروي صنعت نفت محسوب مي گردد. در اين مطالعه، براي مخزن آسماري در ميدان گچساران، راه حلي بر اساس شبكه هاي عصبي مصنوعي پيشنهاد شده كه توسط آن مي توان تخلخل را با استفاده از داده هاي نمودارهاي چاه پيمايي متداول (نوترون، صوتي، چگالي، گاما و مقاومت)، تا حد بسيار خوبي تخمين زد و در نهايت نشان داده شده كه كاربرد شبكه هاي عصبي مصنوعي، هزينه ها را كاهش مي دهد و به اقتصادي بودن مطالعه ها كمك مي كند. با مقايسه تخلخل حاصل از مغزه و نتايج به دست آمده از شبكه، ضريب انطباق 95 درصد حاصل گرديد كه نتيجه قابل قبولي محسوب مي شود و نشان مي دهد شبكه هاي عصبي مصنوعي، مي توانند با اطمينان قابل قبولي براي تخمين تخلخل مورد استفاده قرار گيرند.

Evaluating the porosity of a petroleum reservoirs a key petrochemical property, have a significant rule in petroleum upstream industries. Estimation of porosity using wire line logs is an important and a difficult task in Geophysical Formation Evaluation. Previously wire line log data and core plug analysis have also been used to estimate porosity, but these methods do not always yield accurate results, due to the available correlations. In the present study, artificial neural networks (ANNs) are used to predict porosity of Asmari reservoir of Gachsaran oilfield using conventional wire line log data. It is shown that using this method reduces costs and paves the way to perform commercial studies. Comparing the results of the neural network and porosity from core data, correlation coefficient (R2) about 0.95 is obtained. The mean difference between the porosity from core plugs and ANN predicted porosity is less than 0.05 fractional units which shows the power of ANNs in predicting porosity confidently.