مقايسه روش‌هاي شبكه عصبي خود سازنده و آناليز خوشه‌اي براي ارزيابي مقدار كربن آلي در سازندهاي محتوي هيدروكربن با استفاده از سيستم‌هاي هوشمند

A Comparison of Self-organizing Maps and Hierarchical Cluster Analysis Approaches in Predicting Total Organic Carbon Using Intelligent Systems

محتواي كل كربن آلي يكي از پارامترهاي مهم جهت ارزيابي ژيوشيميايي لايه‌هاي توليد كننده نفت و گاز است. در اين مطالعه، طي دو مرحله، محتواي كربن آلي در سازندهاي هيدروكربن‏دار با استفاده از داده‏هاي لاگ ارزيابي شده است. در مرحله اول، داده‏هاي لاگ به مجموعه‏اي از الكتروفاسيس‏ها تقسيم‏بندي شده‏اند. روش‏هاي استفاده شده براي شناسايي و خصوصيت‏بندي الكتروفاسيس‏ها شامل: شبكه‏هاي عصبي خود سازنده و روش آناليز خوشه‌اي مي‌باشد. نتايج حاصل از هر دو روش با يكديگر مقايسه شده و براساس آزمون‏هاي ارزيابي خوشه‏اي، بهترين روش براي خوشه‏بندي داده‏هاي پتروفيزيكي در الكتروفاسيس‏هاي معين مورد استفاده قرار گرفت. مقدار كل كربن آلي با استفاده از داده‏هاي لاگ به وسيله روش‏هاي خاص شبكه عصبي براي هر الكتروفاسيس برآورد شد. در مرحله دوم، مقدار كل كربن آلي با استفاده از همان روش خاص شبكه عصبي و بدون در نظر گرفتن الكتروفاسيس‏ها تعيين گرديد. نتيجه دو روش با يكديگر و همچنين با روش ? log R مقايسه شد. نتايج نشان داد كه خوشه‏بندي يك سازند به واحد‏هاي مشخص (الكتروفاسيس) در مقايسه با مدل استخراج شده براي كل مجموعه داده‏ها بدون در نظر گرفتن خوشه‏بندي، مقدار كل كربن آلي سازند را با دقت بالاتري پيش‎بيني مي‎نمايد. در مجموع سيستم‏هاي هوشمند نسبت به تكنيك‏هاي قديمي مبتني بر روش ? log R مناسب‎تر مي‏باشند. روش ارايه شده همراه با مثال موردي از بزرگ‌ترين مخزن گازي غير همراه جهان، ميدان گازي پارس جنوبي در حوضه خليج فارس ارايه گرديده است.

Total organic carbon (TOC) is one of the main parameters for geochemical evaluation of oil and gas source rocks. In this study, we propose a two-step approach to predict total organic carbon content from well log data. Initially, the well log data are classified into a set of electrofacies (EF). The methods used to characterize and identify EF consist of self-organizing maps (SOM) and hierarchical cluster analysis (HCA). The results obtained from both methods are compared and the best method based on cluster validity tests is chosen for clustering petrophysical data into a certain number of EF. Afterwards, the TOC values are estimated from well log data by using individual artificial neural network (ANN) models constructed for each EF. In the second approach, the TOC data are estimated for the total interval by using a similar ANN model regardless of data clustering and EF determination. The results of two prediction methods are compared to each other and also with a third conventional ?log R technique. The results show that clustering of a formation into specific units (electrofacies) provides better results in TOC prediction compared to the models constructed for the whole dataset as a single cluster. In addition, intelligent systems are more efficient than the previous conventional techniques based on ?log R method. The proposed methodology is illustrated using a case study of the world’s largest non-associated gas reservoir, i.e. Iran South Pars Gas Field, located in the Persian Gulf.