تخمين سرعت موج برشي، توسط روابط فيزيك سنگ و شبكه‌هاي عصبي مصنوعي، در يكي از ميادين هيدروكربوري جنوب ايران

Evaluation of shear wave velocity prediction by rock physics and artificial neural networks, in one of the south Iranian oil reservoirs

بر پایه مطالعات گسترده‌ای كه تاكنون صورت گرفته است، بدون تردید، نقش داده‌های سرعت موج برشی در ارزیابی‌ مخازن هیدروكربوری حیاتی است. استفاده از اطلاعات سرعت موج برشی، اغلب این امكان را فراهم می‌سازد كه بتوان اثرات لرزه‌ای پارامترهایی چون سنگ‌شناسی، نوع سیال منفذی و فشار منفذی را شناسایی كرد. متاسفانه معمولا داده‌های سرعت موج برشی در بسیاری از میادین موجود نیستند و باید آنرا به‌توسط روش‌های دیگر برآورد نمود. مطالعه حاضر بر روی یك چاه از یك میدان نفتی در جنوب كشور صورت گرفته كه در آن سرعت موج برشی در طول چاه اندازه‌گیری شده است. در این بررسی، سرعت موج برشی از دو روش روابط فیزیك سنگ و شبكه‌های عصبی تخمین زده شد و نتایج با مقدار واقعی سرعت موج برشی، كه در همان چاه اندازه‌گیری شده بود، مقایسه گردید. با استفاده از روابط فیزیك سنگ، همبستگی مقادیر تخمینی سرعت موج برشی و مقادیر اندازه‌گیری شده حدود 91/0 به‌دست آمده است. این در حالی است كه این همبستگی در صورت استفاده از شبكه‌های عصبی مصنوعی به حدود 95/0 می‌رسد. نتایج به دست آمده مناسب بودن استفاده از هر یك از این دو روش را برای تخمین سرعت موج برشی در چاه های دیگر این میدان، تایید می‌كند.

Based on the extensive studies, undoubtedly, the role of the shear wave data in hydrocarbon reservoir evaluation is vital.  Using shear wave along with P-wave data often allows us to identify the seismic signatures of lithology, pore fluid type and pore pressure, efficiently. Unfortunately shear wave data is not available in all reservoirs and it is necessary to predict it. This study has done on a well in one of the oil reservoirs in south of Iran that has shear wave velocity measurements. In this study shear wave velocity had predicted by rock physics relations and neural networks and then the results compared with real shear wave velocity measurements. Regression between predicted shear wave velocity by using rock physics relations and measured shear wave velocity is about 0.91, whereas it is about 0.95 by using neural networks. Results confirm that both methods are suitable for predicting shear wave velocity in other wells in this reservoir.