بررسي تاثير نگار صوتي بر برآورد سنگ‌شناسي توسط نمودارهاي حاصل از چاه توسط شبكه ‏عصبي مصنوعي در يكي از مخازن ميدان پارس جنوبي

Sonic Log Effect Assessment on Lithology Estimation by well Logs using Artificial Neural Network in One of the South Pars Field Reservoirs‏ ‏

پيشي‌بيني سنگ‌شناسي، مرحله‌اي اساسي در مهندسي نفت و ارزيابي سازند است. تحقيقي كه در اينجا عرضه مي‌شود، نوعي مدل‌سازي شبكه‌هاي عصبي مصنوعي، به منظور استفاده از نگارهاي ‏چاه براي برآورد سنگ‌شناسي در يكي از مخازن ميدان پارس جنوبي است. در اين تحقيق از دو شبكه با روش پس انتشار خطا (‏‎(back propagation error; BP‏ سه لايه و الگوريتم آموزش ‏لونبرگ- ماركوآرت، براي برآورد سنگ‌شناسي، استفاده شده است. شبكه در حالت اول، نگارهاي پرتو گاما، نوترون، چگالي و اثرفتوالكتريك ‏‎(PEF)‎‏ را به صورت ورودي به كار مي‌برد، ‏حال آن‌كه در شبكه دوم نگار صوتي مربوط به اين داده‌ها نيز به ورودي‌ها اضافه و نتايج در دو حالت مقايسه شده‌اند. با توجه به هزينه‌هاي بالاي مغزه‌گيري از اين روش مي‌توان هزينه‌هاي ‏مغزه‌گيري را كاهش داد. در اين مقاله، از داده‌هاي مربوط به چهار چاه در ميدان پارس جنوبي استفاده شده است، به اين صورت كه شبكه، ابتدا در يكي از چاه‌هاي مخزن (چاه ‏C‏) كه داراي ‏تحليل مغزه بود، آموزش داده شد و در چاه ديگر (چاه ‏D‏) كه داده‌هاي آن در آموزش شبكه سهمي نداشت، آزمايش شد و پس از اطمينان از كارآيي آن، شبكه براي برآورد سنگ‌شناسي در ‏دو چاه ديگر (چاه ‏A‏ و‏B‏) استفاده شد. سنگ‌هاي بخش بررسي شده عبارتند از: دولوميت، سنگ‌آهك، سنگ‌آهك دولوميتي، دولوميت آهكي، انيدريت، شيل، سنگ‌آهك شيلي و دولوميت ‏شيلي. در حالت اول مقدار ميانگين مربعات خطا ‏‎(mean square error; MSE)‎‏ براي چاه ‏A‏ برابر 081/0و براي چاه ‏B‏ برابر094/ به دست آمد، در صورتي كه در حالت دوم و اضافه شدن نگار ‏صوتي به ديگر ورودي‌ها مقدار ميانگين مربعات خطا براي چاه ‏A‏ برابر051/0 و براي چاه ‏B‏ برابر 063/0 شده است. بر اساس اين مقايسه، مشخص شد كه دقت مدل در حالت دوم بهبود قابل ‏توجهي يافته و نگار صوتي توانسته است سنگ‌شناسي برآورد شده را به مقدار واقعي نزديك‌تر كند.‏

Lithology Prediction is a fundamental stage in petroleum engineering and formation evaluation. This research is a type of artificial neural network ‎modeling in order to use well bore logs in lithology prediction in a South Pars hydrocarbon reservoir. Here, two networks with three-layer back ‎propagation (BP) method and Levenberg-Marquwardt algorithm have been used for lithology estimation. The network in the first stage, utilized ‎gamma-ray, neutron, density and photoelectric effect (PEF) logs as inputs. On the other hand, the data of sonic log has been also added to the ‎inputs and the results of the two stages have been compared in the second network. Considering the excessive coring expenses, this method can ‎be used as a milestone in decreasing the coring expenses. In this paper, the following procedure is considered first, data from four wells in South ‎Pars field has been used. Second, the network has been trained in one of the reservoir wells (well C) in which core analysis data was available. ‎Third, in another well (well D) which its data does not affect the training process, it has been tested. Forth, after approching to the desired level of ‎confidence in network efficiency, it has been utilized to estimate the lithology in the two other wells (wells A and B). lithologies investigated ‎interval consist of: Dolostone, Limestone, Dolomitic Limestone, Limy Dolostone, Anhydrite, Shale, Shaly Limestone and Shaly Dolostone. In the first ‎case, the mean square error (MSE) for well A was 0.081 and for well B was 0.094. In the second case, the sonic log was added to other input, ‎MSE has become 0.051 in well A and 0.063 in well B. Comparing two cases, it was revealed that the model accuracy has been improved ‎significantly in the second case and sonic log data caused the estimated lithology become closer to the real case.‎