استفاده ازنشانگرهاي لرزه‌اي براي تخمين محتواي كربن آلي سنگ منشا

Prediction of Source Rock TOC Content Using Seismic Attributes

استفاده از داده هاي لرزه اي به خصوص در ايران تا به امروز منحصر به تعيين ساختار و ژيومتري يك مخزن نفتي و تخمين خواص مخزني در مناطق دور از كنترل چاه ها معطوف شده است؛ در حالي كه مطالعات نشان مي دهد اگر فرض را براين بگيريم كه داده ي لرزه اي به نحو مناسبي پردازش شده باشد به گونه اي كه بتوان تغييرات در نشانگرهاي لرزه اي1 را تنها به تغييرات در خواص سنگ هاي زيرِ زمين نسبت داد، آنگاه مي توان رابطه بين اين تغييرات را در موقعيت چاه ها استخراج كرد و سپس از رابطه ي به دست آمده، در مناطق دور از چاه براي تخمين خواص ژيوشيميايي سنگ منشا نيز استفاده كرد. تعيين كل محتواي كربن آلي(TOC)2 يكي از مراحل بنيادي در ارزيابي سنگهاي منشا است. ازآنجاي يكه حفر چاه اكتشافي در نقاط مختلف ميدان به منظور ارزيابي سيستم هاي نفتي مقرون به صرفه نبوده و زمان زيادي را مي طلبد، در اين مطالعه سعي شد با استفاده از وارون سازي داده هاي لرزه نگاري سه بعدي(3D)?3 و نشانگرهاي لرزهاي دروني كه از داده هاي لرزه اي خام استخراج مي شوند و پيدا كردن رابطه ي بين اين نشانگرها و مقادير TOC، اين پارامتر مهم ژيوشيميايي در كل مقطع لرزه اي تخمين زده شود. نتايج بيانگر آن است كه امپدانس صوتي(AI)?4 بالاترين رابطه را با محتواي كربن آلي نشان مي دهد. اين رابطه، معكوس بوده و نقش موثري در شناسايي زونه اي با توزيع بالاي مواد آلي ايفا مي كند. همچنين، ضريب همبستگي بالاي 82 درصدي شبكه عصبي احتمالاتي در تخمين مواد آلي از نشانگرهاي لرزه اي نشان از توانايي سيستم هاي هوشمند در برقراري روابط غيرخطي بين پارامترهاي ورودي و خروجي دارد.

So far, using seismic data was limited to structure recognition and geometry of a petroleum reservoir and estimation of reservoir characteristics in areas far from wells control. Whereas, studies show that if we assume that the seismic data is processed properly in a way that we could say seismic attributes changes are due to lithology changes in underground rocks, then we can extract the relations of changes in wells and use the extracted relations to estimate the geochemical properties of source rocks in areas far from wells. Determination of total organic carbon content )TOC ( is one of the fundamental steps in the evaluation of source rocks. In this study we tried to estimate the TOC content in whole seismic sections, using 3D seismic data inversion and internal attributes extracted from raw seismic data and obtained relationship between the attributes and TOC. Results show that acoustic impedance has the strongest correlation with the organic matter content. This inverse relation has an effective impact in detection of zones with high distribution of organic matter. Moreover, a correlation coefficient of more than 82 percent for probabilistic neural network in estimation of organic matter from seismic attributes shows the ability of artificial intelligence in setting a nonlinear relationship betw een input and output parameters.