بهبود مدلسازي تخلخل، توسط رويكرد تيوري بيزين تركيب اطلاعات، در ميدان نفتي آزادگان

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

تخلخل يكي از سه متغير مهم در ارزيابي ويژگي هاي يك ميدان نفتي است. به-طور معمول از نمودارهاي چاه نگاري به منظور تخمين تخلخل استفاده مي شود. تخلخلي كه از اين نگار ها به دست مي ‌آيد، تحت تاثير عواملي همچون دما، فشار، نوع سيال، ميزان هيدروكربور و شيل موجود در سازند قرار مي ‌گيرد و در نتيجه با ميزان واقعي تخلخل كمي متفاوت است. بنابراين تخمين هاي توام با خطا و عدم قطعيت هستند. شايد بهترين و در عين حال عملي ترين روش جهت كاهش عدم قطعيت تخمين ها، 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، با استفاده از تكنيك تركيب اطلاعات (تيوري بيزين) مقادير تخلخل در 4 چاه از ميدان نفتي آزادگان تخمين زده شده است. براي بررسي قابليت تعميم اين روش، تخلخل در يك چاه ديگر ميدان نيز تخمين زده شده است. از حداكثر هفت متغير ورودي براي تخمين تخلخل در چاه مورد مطالعه استفاده شده است. نتايج نشان داد كه تكنيك تركيب اطلاعات (تيوري بيزين) نسبت به روش هاي متداول (رگرسيون چندمتغيره و شبكه عصبي)كه همبستگي نتايج با يافته هاي مغزه در اين روش ها حدود 7/0 تا 8/0 مي باشد، تخلخل را به مراتب، بهتر تخمين زده است. به نحوي كه همبستگي نتايج با نتايج مغزه حفاري بيش از 9/0 به دست آمده است.

Porosity is one of the main variables in evaluating the characteristics of an oil field. Petrophysical data are normally used to determine these variables. Measurements obtained from well logs, containes some errors and uncertainty. This porosity is influenced by different factors, such as temperature, pressure, fluid type, clay content and the and amount of hydrocarbons. One of the best, and yet most practical ways to reduce the amount of uncertainty in porosity measurement is using various sources of data and data fusion techniques. Data fusion increase certainty and confidence and reduce risk and error in decision making. In this research, the porosity is estimated in 4 wells of Azadegan oil field, with data fusion method (Bayesian theory). To check the ability of generalization of the method, the porosity was also estimated in one other well of this field. A maximum of 7 input variables were used to estimate porosity in this new approach. The results showed that data fusion technique is more powerfull than traditional tecniques for porosity estimation. According to the results, this method has higher credibility than traditional techniques that show 0.7 to 0.8 regressions with log data but data fusion technique showed solidarity over 0.9 with log data.