شناسايي شكستگي‌ها در نمودارهاي تصويري الكتريكي با استفاده از تكنيك‌هاي پردازش تصوير و الگوريتم ژنتيك

Fracture Identification in Image Logs Using Image Processing Techniques and Algorithm Genetic

در مخازن با شكستگي طبيعي، شكستگي‌ها نقش اساسي در توليد هيدروكربن ايفا مي‌كنند. به همين دليل، شناسايي شكستگي‌ها در جنبه‌هاي مختلف توليد و توسعه اين ميادين بسيار اهميت دارد. نمودارهاي تصويري، ابزاري بسيار قوي براي مطالعه شكستگي‌ها در چاه‌ها هستند. نمودار تصويري، يك شبه تصوير با تفكيك‌پذيري بالا از ديواره چاه مي‌باشد. اين نمودارها اطلاعات مهمي را درباره جهت‌گيري، عمق و نوع شكستگي‌هاي طبيعي فراهم مي‌كند. امروزه براي شناسايي پارامترهاي مربوط به شكستگي‌ها از روي اين نمودارها، الگوريتم جامعي وجود ندارد و تفسير اين نمودارها اغلب به‌ صورت دستي انجام مي‌گيرد كه در صورت نبود تجربه كافي، تفسير با خطا مواجه خواهد بود. هدف از مطالعه حاضر، معرفي و به‌ كارگيري روش‌هاي پردازش تصوير و الگوريتم ژنتيك، جهت پيدا كردن خودكار شكستگي‌ها در نمودارهاي تصويري مي‌باشد. در اين روش ابتدا، با استفاده از يك روش طبقه‌بندي، نقاط مربوط به شكستگي از داخل تصوير استخراج مي‌شود. سپس با استفاده از الگوريتم ژنتيك، تعداد، شيب، آزيموت و موقعيت عمقي شكستگي‌ها از روي نقاط استخراج شده، تعيين مي‌گردد. اين روش بر روي بخشي از دو نمودار تصويري مربوط به دو چاه از ميادين هيدروكربوري جنوب ايران پياده شد. دقت روش براي تخمين پارامترهاي شكستگي چاه‌هاي مورد مطالعه بيش از 70% به دست آمد. از طرفي روش پيشنهادي حساسيت كمي نسبت به وجود نويز در تصوير دارد.

In naturally fractured reservoirs, fractures play a main role in production, and fracture identification is very important in reservoir development and management. Borehole image log, which is a high resolution “pseudo picture” of the borehole wall, is a powerful tool for fracture study. These logs provide critical information about the orientation, depth, and type of natural fractures. Currently, there is no comprehensive algorithm for the automatic identification of fracture parameters in image logs, and the interpretation of these logs is often done manually. This process might become erroneous when the interpreter is less experienced. The present study uses image analysis and processing techniques, as well as genetic algorithms to detect fractures in image logs automatically. In this method, the points related to fractures are first extracted from the image by a classification method. Then, the number, depth, dip, and dip direction of fractures are determined on the extracted points by using genetic algorithm. This method is performed on a part of two image logs (4 and 8 pads) of two wells located in two oilfields in the south of Iran. Despite the sensitivity of the proposed method to the noises of the image, it successfully estimated the number, dip, and dip direction of fractures for both studied wells with an accuracy of 70%.