پيش‌گويي داده‌هاي ژئوشيميايي از نگارهاي چاه‌پيمايي و نشان‌گرهاي لرزه‌اي با استفاده از روش بهينه‌سازي كلني مورچگان در ميدان نفتي منصوري

Geochemical data prediction from well log data and seismic attributes using Ant Colony Optimization technic in Mansuri Oil field

محتوای كل كربن آلی مهم‌ترین فاكتور ژئوشیمیایی جهت ارزیابی سنگ منشأ محسوب می‌شود. با در نظر گرفتن كمبود داده‌های محتوای كل كربن آلی در مناطق اكتشافی و پرهزینه و وقت‌گیر بودن آنالیز راك- ایول، توسعه یك روش نوین برای تخمین مستقیم این پارامتر از لاگ‌های چاه‌پیمایی و داده‌های لرزه‌ای هدف این مطالعه قرار گرفت. در این مطالعه، داده‌های لرزه‌ای 2 بعدی و داده‌های پتروفیزیكی سازند پابده از 4 چاه میدان نفتی منصوری مورد استفاده قرار گرفت. همچنین روش ΔLog R جهت پیش‌گویی محتوای كل كربن آلی از داده‌های پتروفیزیكی استفاده شد. مقادیر كل كربن آلی محاسبه شده به‌عنوان ورودی آنالیز چند نشان‌گری برای یافتن ارتباط منطقی با نشان‌گرهای لرزه‌ای مورد استفاده قرار گرفت. در این مطالعه وارون‌سازی لرزه‌ای براساس الگوریتم شبكه عصبی به دلیل دقت بالا اجرا شد و امپدانس صوتی به‌دست آمده به‌عنوان نشان‌گر بیرونی استفاده شد. سپس شبكه عصبی احتمالاتی با استفاده از نشان‌گرهای پیشگویی شده حاصل از رگرسیون چندگانه آموزش داده شد. متعاقباً كل كربن آلی با ضریب تطابق 75% توسط نشان‌گرهای لرزه‌ای تخمین زده شد. در مرحله بعدی پژوهش، روش بهینه‌سازی كلنی مورچگان غیرخطی به‌عنوان یك ابزار هوشمند جهت تخمین و تولید یك مقطع لرزه‌ای كل كربن آلی از نشان‌گرهای لرزه‌ای مورد استفاده قرار گرفت. كلنی مورچگان غیرخطی ضرایب وزنی را برای نشان‌گرهای لرزه‌ای محاسبه نمود. در انتها با استفاده از این ضرایب و داشتن نشان‌گرهای لرزه‌ای، یك مقطع لرزه‌ای كل كربن آلی تولید شد.  

Total organic carbon is among the most important geochemical factors for source rock assessment. Considering the general scarcity of measured total organic carbon data in exploration area together with expensive and time consuming procedure of Rock-Eval pyrolysis, development of a new method for direct estimation of TOC parameter from well log and seismic data is an important issue and the object of this study. In this paper, 2D seismic data and petrophysical data of the Pabdeh Formation from 4 wells of the Mansuri Oil field are used. Also ΔLog R was used to predict TOC values from petrophysical data. The calculated values were used as inputs for a Multi Attribute Analysis to find a logical relation with seismic attributes. In this study, seismic inversion was performed based on Neural Networks Algorithm and the resulting acoustic impedance was utilized as an external attribute. Afterwards, a probabilistic neural network was trained using a set of predicting attributes derived from multiple regression. Subsequently, TOC was estimated by using seismic attributes with correlation coefficient of 75%.  In the next step of study, the nonlinear Ant Colony Optimization technique was utilized as an intelligent tool to estimate and production TOC seismic section from seismic attributes. Nonlinear Ant Colony calculates weight factors for each of seismic attributes. Finally, having these weights and seismic attributes, TOC seismic section was produced.