مدل سازي تخلخل توسط رويكرد تيوري بيزين تركيب اطلاعات و مقايسه آن با شبكه عصبي چند لايه و رگرسيون خطي چندگانه در ميدان نفتي آزادگان

Porosity estimation with data fusion approach (Bayesian theory) in wells of Azadegan oil field, Iran

پارامتر تخلخل يكي از مهم ترين خصوصيات مخزن مي ‌باشد كه با مطالعه مغزه به-دست مي ‌آيد. با اين وجود تمامي چاه هاي يك ميدان داراي مغزه نيستند. هم چنين در برخي از چاه ها مانند چاه هاي افقي مغزه گيري عملا غير ممكن است. ولي تقريبا در تمامي چاه ها نمودارگيري صورت مي گيرد. به طور معمول از نمودارهاي چاه نگاري به منظور تخمين تخلخل نيز استفاده مي شود. تخلخلي كه از اين نگار ها به دست مي ‌آيد تحت تاثير عواملي هم چون دما، فشار، نوع سيال، ميزان هيدروكربور و شيل موجود در سازند قرار مي ‌گيرند و در نتيجه با ميزان واقعي تخلخل كمي متفاوت است. بنابراين تخمين ها توام با خطا و عدم قطعيت هستند. شايد بهترين و در عين حال عملي ترين روش جهت كاهش عدم قطعيت تخمين، استفاده از منابع مختلف داده جهت تخمين و در واقع استفاده از تكنيك هاي تركيب اطلاعات باشد. كاركرد اصلي اين تكنيك ها، افزايش اطمينان و كاهش ريسك در تصميم گيري ها است. در اين تحقيق، براي تعيين مقادير تخلخل، با استفاده از داده-هاي چهار چاه واقع در ميدان نفتي آزادگان، ابتدا از دو تكنيك شبكه عصبي چندلايه و رگرسيون خطي چند گانه استفاده شده و در نهايت نتايج اين روش ها با تكنيك تركيب اطلاعات (تيوري بيزين) مقايسه شده است. براي بررسي قابليت تعميم اين سه روش در هر تكنيك، پارامتر تخلخل در يك چاه ديگر ميدان نيز تخمين زده شده است. تعداد متغيرهاي ورودي براي تخمين تخلخل در چاه مورد مطالعه در روش هاي شبكه عصبي و رگرسيون خطي چندگانه 7 است و در تكنيك تركيب اطلاعات نيز از حداكثر 7 متغير ورودي استفاده شده است. در نهايت با مقايسه نتايج حاصل از 3 روش نامبرده مشاهده شده است كه تكنيك تركيب اطلاعات (تيوري بيزين) از اعتبار بالاتري برخوردار است و در تخمين تخلخل به مقدار قابل توجهي از دو تكنيك شبكه عصبي چندلايه و رگرسيون خطي چند گانه بهتر عمل نموده است؛ به نحوي كه همبستگي نتايج با واقعيت بيش از 90% به دست آمده است.

Porosity parameter is an important reservoir property that can be obtained by studying the well core. However, all wells in a field do not have a core. Additionally, in some wells such as horizontal wells, measuring the well core is practically impossible. However, for almost all wells, log data is available. Usually these logs are used to estimate porosity. The porosity value obtained from this method is influenced by factors such as temperature, pressure, fluid type, and amount of hydrocarbons in shale formations. Thus it is slightly different from the exact value of porosity. Thus, estimates are prone to error and uncertainty. One of the best and yet most practical ways to reduce the amount of uncertainty in measurement is using various sources and data fusion techniques. The main benefit of these techniques is that they increase confidence and reduce risk and error in decision making. In this paper, in order to determine porosity values, data from four wells located in Azadegan oil field are used. First, multilayer neural network and multiple linear regressions are used to estimate the values and then the results of these techniques are compared with a data fusion method (Bayesian theory). To check if it would be possible to generalize these three methods on other data, the porosity parameter of another independent well in this field is also estimated by using these techniques. Number of input variables to estimate porosity in both the neural network and the multiple linear regressions methods is 7, and in the data fusion technique, a maximum of 7 input variables is used. Finally, by comparing the results of the three methods, it is concluded that the data fusion technique (Bayesian theory) is a considerably more accurate technique than multilayer neural network, and multiple linear regression, when it comes to porosity value estimation; Such that the results are correlated with the ground truth greater than 90%.