شبيه‌سازي نگار ژئوشيميايي با به‌كارگيري الگوريتم CACS مبتني بر آناليز خوشه‌بندي

Simulation of Geochemical Log Using CACS Algorithm Based on Clustering Analysis

یكی از نگارهای مهم ژئوشیمیایی در اكتشافات نفتی، مقدار كل كربن آلی (TOC) می‌باشد كه جهت ارزیابی پتانسیل هیدروكربن‌زائی سنگ منشأ استفاده می‌شود. اندازه‌گیری TOC، مستلزم انجامِ آزمایشات ژئوشیمیاییِ پرهزینه و وقت‌گیر است، كه بر روی نمونه‌های حاصل از حفاری چاهی شامل مغزه و كنده حفاری انجام می‌شود. از این جهت، این پژوهش به برآورد پارامتر ژئوشیمیایی TOC با استفاده از نگارهای پتروفیزیكی كه امروزه از تمامی چاه‌ها تهیه شده و كم هزینه‌تر هستند، پرداخته و از روش سیستم كلونی مورچه مبتنی بر آنالیز خوشه‌بندی سلسله مراتبی (hierarchical)، جهت تخمین آن بهره گرفته است. برای تخمین داده‌های TOC به این روش، كد عددی با رویكردی دو مرحله‌ای طراحی شد. مرحله اول شامل خوشه‌بندی سلسله مراتبی و مرحله دوم شامل سیستم كلونی مورچه بوده كه به صورت پیوسته با یك تابع توزیع احتمال نرمال طراحی گردید. سیستم كلونی مورچه پیوسته (CACS) ضرائب وزنی از تابع غیرخطی پیشنهادی را برای داده‌های پتروفیزیكی هر خوشه محاسبه كرد، نتایج نشان داد این الگوریتم در تلفیق با خوشه بندی جهت برآورد نگار TOC موفق عمل نموده است. این مطالعه بر روی داده‌های مربوط به سه چاه از میدان نفتی اهواز انجام گرفته و قابل تعمیم به سایر چاه‌های توسعه‌ای خواهد بود.  

One of the important geochemical parameters used to evaluate the hydrocarbon potential of source rock is total organic carbon (TOC). TOC measurement is time-consuming and rather expensive and considerable number of drill hole samples including core or cuttings have to be analyzed. In this study, TOC values were estimated initially using petrophysical logs generally available from drilled wells. For this purpose, an ant colony system was used based on hierarchical clustering analysis. The first stage was comprised of hierarchical clustering and the second stage included ant colony system, which was designed continuously with a normal probability distribution function. Continuous ant colony system (CACS) calculated weight coefficients of nonlinear proposed function for the petrophysical data of each cluster. The results show that this algorithm has a successful performance in combination with clustering for the estimation of TOC log. Using these coefficients and petrophysical data, TOC log can be generated for other wells in this field. This study is based on the data collected from three wells of the Ahwaz oilfields and can be generalized to other developmental wells