مقايسه روش‌هاي شبكه عصبي مصنوعي، LogR∆ و آناليز خوشه‌اي براي ارزيابي مقدار كربن آلي در سازندهاي محتواي هيدروكربن

محتواي كربن آلي كل يكي از متغيرهاي مهم براي ارزيابي ژئوشيميايي لايه‌هاي توليد كننده نفت و گاز است. در اين مطالعه طي سه مرحله، محتواي كربن در سازندهاي هيدروكربن‌دار با استفاده از داده‌هاي نگار ارزيابي شد. در مرحله اول با استفاده از شبكه عصبي مصنوعي محتواي كربن آلي به دست آمد، در مرحله دوم با كمك روش محاسباتي LogR∆ محتواي كربن آلي مورد ارزيابي قرار گرفت و در مرحله آخر داده هاي نگارهاي چاه پيمايي به مجموعه اي از الكتروفاسيس ها تقسيم بندي شد كه به اين منظور از بهترين روش آناليز خوشه اي، يعني روش MRGCبهره گرفته شد. اين روش بر پايه آزمون هاي ارزيابي خوشه اي بهترين روش براي خوشه بندي داده هاي پتروفيزيك در الكتروفاسيس هاي معين است. آناليز خوشه‌اي يك بار براي داده هاي TOC حاصل از شبكه عصبي و يك بار براي داده هاي TOC حاصل از روش LogR∆ صورت گرفت. نتايج نشان داد كه سامانه هاي هوشمند نسبت به روش‌هاي قديمي مبتني بر روش LogR∆ مناسب ترند و دقت بالاتري دارند. روش ارائه شده همراه با مثال موردي از ميدان نفتي آزادگان ارائه شده است.

Total organic carbon content is one of the important parameters to evaluate the geochemical properties of oil- and gas-producing layers. In this study, total organic carbon content in the hydrocarbon-bearing formations was evaluated using log data in three stages. In the first stage, we used artificial neural network to calculate the organic carbon content. In the second stage, total organic carbon was calculated by using ΔLogR computational method. Finally in the last stage, well log data were classified into a set of electrofacies, which were performed using the most efficient clustering analysis method, i.e. MRGC method. Based on cluster validity tests, this method is the best to cluster petrophysical data in certain electrofacies. Cluster analysis was employed for classification of data from both neural network and ΔLogR methods. The results showed that intelligent systems are more appropriate than traditional techniques which are based on ΔLogR approaches, and also have higher accuracy. The proposed method has been presented with a case study from the Azadegan oilfield.