به‌كارگيري نگار تشديد مغناطيسي هسته‌اي و شبكه عصبي مصنوعي در برآورد تراوايي يكي از مخازن نفت سنگين در جنوب ايران

Using NMR logging and ANN to estimate permeability in one of heavy oil reservoirs in the south of Iran

تراوايي يكي از عامل‌هاي چالش‌‌برانگيز در مخازن هيدروكربوري است. علت اين امر مشكل بودن برآورد تراوايي به‌صورت دقيق و مستقيم از طريق اندازه‌گيري‌هاي نگاربرداري كنوني است. در اين مقاله كاربرد روش تشديد مغناطيسي هسته‌اي (Nuclear Magnetic Resonance) در برآورد تراوايي يكي از مخازن كربناته حاوي نفت سنگين در جنوب ايران بررسي شده است. در محاسبه تراوايي با استفاده از نگار NMR، از سه مدل شاره آزاد (كوتس)، ميانگين T2 (SDR) و سوانسون استفاده شده است. در ابتدا تراوايي به‌دست آمده از هريك از اين سه مدل، براي نمونه‌‌‌هاي سه واحد شارش هيدروليكي مشخص شده در محدوده مورد‌‌نظر سازند سروك فوقاني، به‌صورت جداگانه با تراوايي حاصل از مغزه مقايسه و ضرايب همبستگي محاسبه شده است. سپس براي هريك از سه مدل فوق، تراوايي كل نمونه‌هاي تقسيم‌بندي شده در واحدهاي شارش هيدروليكي به‌صورت هم‌زمان با تراوايي مغزه مقايسه شده است. درنهايت كل نمونه‌هاي موجود در فاصله موردنظر با نتايج تراوايي مغزه مقايسه شده است. نتايج به‌دست آمده در سازند مورد بررسي نشان مي‌دهد كه استفاده از تقسيم‌بندي نمونه‌ها با به‌كارگيري واحدهاي شارش هيدروليكي، سبب بهبود تعيين تراوايي مي‌شود. روند تغييرات تراوايي برحسب عمق به‌دست آمده از روي مدل‌ها، با روند تغييرات تراوايي به‌دست آمده از اطلاعات مغزه مطابقت خوبي دارد و مي‌توان از آنها در تعيين تراوايي در محل چاه استفاده كرد. به‌منظور برآورد دقيق تراوايي، از يك مدل شبكه عصبي مصنوعي (Artificial Neural Network) با دو مجموعه ورودي متفاوت استفاده شده است. در مجموعه اول از داده‌هاي تخلخل به‌دست آمده از نگار NMR به‌منزله يكي از ورودي‌ها استفاده شده و در مجموعه دوم از تخلخل حاصل از نگار نوترون درحكم ورودي استفاده شده است. دو دسته تراوايي به‌دست آمده از شبكه عصبي با هر دو مجموعه ورودي نيز، با نتايج تراوايي حاصل از مغزه مقايسه و ضرايب همبستگي محاسبه شده‌ است. نتايج به‌دست آمده از شبكه عصبي نشان‌‌دهنده آن است كه در صورت استفاده از تخلخل حاصل از NMR در كنار ساير نگارهاي سنتي، درحكم ورودي شبكه،‌ افزايش قابل‌‌ِملاحظه‌اي در ضريب همبستگي به‌وجود مي‌آيد و بنابراين مي‌توان از شبكه عصبي به‌مثابه روشي قابل اطمينان در برآورد كمي تراوايي در سازند سروك فوقاني استفاده كرد.

Permeability is a property of porous medium that quantifies rock capacity to transmit fluids. Frequently, core based permeability data are not available either because of the borehole conditions or due to the high cost of coring. For these reasons, over the years attempts have been made to estimate permeability by alternative ways. Permeability is an elusive parameter in hydrocarbon reservoirs as it is very difficult, if not impossible to determine precisely and directly from current subsurface logging technologies. In this research, an attempt is made to test some methods for estimating permeability as a function of depth from Nuclear Magnetic Resonance (NMR) logging in one of the carbonate reservoirs, bearing heavy oil, in the south of Iran. NMR uses hydrogen protons as an indicator of fluid presence. Not all nuclei possess the ability to interact with magnetic fields (magnetic moment); only those with an odd number of protons, such as hydrogen, possess magnetic moment. In calculating permeability from NMR logging in the upper Sarvak formation, three models such as average-T2, free-fluid and Swanson model have been used. Permeabilities obtained by these models are compared with core permeability and correlation coefficients are calculated which give poor results. It can be considered that the trends of permeabilities obtained by NMR models have good compatibility with core permeability, so they can be used for in-situ permeability estimation. A hydraulic unit (HU) is a reservoir layer or zone that has similar average rock properties affecting fluid flow. By using hydraulic units, the samples are grouped into distinct units with clear porosity and permeability properties. We are trying to consider the effect of using hydraulic units in obtained correlation coefficients. Hydraulic units can be determined from core porosity and permeability. This technique calculating the flow zone indicator (FZI) from the pore volume to solid volume ratio (?z) and reservoir quality index (RQI). Based on core porosity and permeability 3 hydraulic flow units for the desired interval were distinguished. The results obtained from hydraulic unit 3 cannot be reliable because the small amount of samples distinguished in this unit. For accurate permeability estimation, an Artificial Neural Network (ANN) model with two different sets of inputs is applied. In the first case, porosity obtained by NMR logging has been used as one of the input data but in the second case there is no NMR data as an input and core porosity has been used as one of the input data. The predicted permeability by ANN with both sets of input data is then compared with the core permeability. The results show that the correlation between predicted and core permeabilities is very good when the porosity obtained by NMR logging is used as one of the inputs of the ANN model. Using hydraulic units results in increasing obtained correlation coefficients for both NMR models and ANN model. Carbonate formations are more complex than sandstone formations. This is due to the broad range of pore sizes, complex pore structures and low surface relaxitivity values found in carbonate formations. Using ANN models will lead to better results compared with traditional NMR models because ANN models can consider complex relations between permeability and NMR parameters.