مقايسه نتايج سيستم هاي هوشمند و روابط تجربي در تخمين تراوايي: مطالعه موردي در يكي از مخازن كربناته جنوب ايران

Comparisons of intelligent systems and empirical equation results in permeability prediction: a case study in one of the southern Iranian carbonate reservoirs

تخمين تراوايي كه يكي از مهم ترين پارامتر هاي پتروفيزيكي مخازن نفت و گاز مي باشد، همواره يكي از چالش هاي پيش روي محققين صنعت نفت بوده است. دقيق ترين روش براي بدست آوردن اين پارامتر، آناليز مغزه مي باشد اما، مشكلات تهيه مغزه از يك سو و صرف زمان و هزينه بالا از سوي ديگر، محققان را بر آن داشته است كه، تراوايي را از روش‌ هاي غير مستقيم بدست آورند. از جمله روش هايي كه از ديرباز براي محاسبه اين پارامتر مورد استفاده قرار گرفته، روابط تجربي مي‌باشد. اگرچه اين روابط در بعضي موارد پاسخ قابل قبولي مي‌دهد، ولي موارد بسيار زيادي وجود دارد كه پاسخ روابط تجربي چندان جالب نيست. از طرفي در سال‌هاي اخير سيستم‌ هاي هوشمند به عنوان يك روش جديد در پيش بيني و تخمين پارامتر هاي پتروفيزيكي مورد استفاده قرار گرفته است. در اين مطالعه سعي بر اين است كه توانايي اين دو روش (روابط تجربي و سيستم هاي هوشمند) در يكي از مخازن كربناته، با استفاده از داده هاي مربوط به 4 چاه (3 چاه مدل و 1 چاه آزمون) مورد بررسي قرار گيرد. براي نيل به اين هدف، در ابتدا تراوايي با استفاده از روابط تجربي (نظير رابطه تيمور، تيكسر و ...) محاسبه شده، سپس با استفاده از سيستم هاي فازي و عصبي-فازي، مدل تخمين تراوايي در مخزن مورد نظر ساخته مي شود. در بين روش هاي استفاده شده، نتايج به دست آمده در مورد سيستم فازي (با ضريب همبستگي برابر با 88/0) قابل قبول تر مي باشد. همچنين در بين روابط تجربي، رابطه وايلي-رز بالاترين ضريب همبستگي و كمترين ميزان ميانگين مربعات خطا را نسبت به بقيه روابط تجربي دارد. با مقايسه نتايج بدست آمده، مدل فازي ساخته شده براي تخمين تراوايي در مخزن مورد بررسي پيشنهاد مي گردد.

Prediction of permeability that is one of the most important parameters in oil and gas reservoirs is probably the most challenging issue geologists, petrophysicists, and reservoir engineers have to deal with. This parameter control fluid flow in production stage. The most reliable data of permeability are taken from laboratory analysis of cores. Since coring is a costly and time consuming operation, researchers have tried to predict this parameter from other methods. Empirical equation is one of these methods, but results of these equations are not satisfied for all lithology and reservoirs. So far, several studies have been carried out for the estimation of reservoir parameters using intelligent systems. These studies indicate the successful role of these methods such as fuzzy logic, neuro-fuzzy and genetic algorithms for reservoir characterization. In this study, we try to compare results of these two methods (empirical equations and intelligent systems) for permeability prediction in a carbonate reservoir. For this purpose, petrophysical and core data of four well in a carbonate reservoir in the Southern Iran were used. At first, using empirical equations permeability was calculated for the test well; then using data of three wells, intelligent models were constructed. A forth well (test well) from the field was used to evaluate the models. The results show that fuzzy logic result (with R2= 0.88) is the best method for prediction of permeability in the studied reservoir. Also between empirical equations, result of Wyllie-Rose equation is better than others. Finally we offer the constructed fuzzy model (as a best predictor) for permeability prediction in the studied reservoir.