تعيين و پيش‌بيني رخساره‌هاي منفذي براساس تلفيقي از داده‌هاي تزريق جيوه، پتروفيزيكي و پتروگرافي با استفاده از تركيب شبكه‌هاي عصبي خودسازمان‏ده و ماشين بردار پشتيبان

Determination and prediction of Pore-facies based on a Compilation of Mercury Injection, Petrophysical and Petrographic Data Using a Hybrid of Self-organizing Neural Network and Support Vector Machine

شبكة منفذی كنترل‌كنندة رفتار سیالات در سنگ مخزن است. در مخازن كربناته به‏دلیل عدم‏تبعیت خصوصیات جریان سیال از بافت رسوبی اولیه، ویژگی‌های شبكه منفذی باید مستقیما در فرآیند تعیین رخساره استفاده شوند تا بتوان شرایط واقعی مخزن را تحلیل كرد. در این مطالعه با استفاده از تركیب مطالعات پتروگرافی، پتروفیزیكی و مهندسی مخزن، رخساره‌های منفذی و سنگی در سازندهای كنگان و دالان در میدان گازی پارس جنوبی مطالعه شده‏اند. بر این اساس پنج رخساره منفذی با استفاده از روش شبكه‌های عصبی خودسازمان‏ده خصوصیات پتروفیزیكی، زمین‌شناسی و مخزنی منحصربه‏فردی دارند. براساس خصوصیات این رخساره‌های منفذی یك روند مشخص كاهش كیفیت مخزنی از رخساره یك به سمت رخساره پنج مشاهده شد. در نهایت برای ارتباط دادن رخساره‌های معرفی‏شده و نمودارهای پتروفیزیكی از روش ماشین بردار پشتیبان استفاده شد كه با استفاده از روش میانگین مربعات خطا از نمودارهای چاه‌نگاری، رخساره‌های معرفی‏شده را با دقت 78% پیش‌بینی كرد.  

Pore network characteristics control the fluid condition in reservoir rocks. In carbonate reservoirs, fluid flow status is independent of primary depositional texture, so network properties must be directly included in the process of facies determination to accomplish them and make them be applicable for analyzing the reservoir real conduct. A compilation of petrographic, petrophysical and reservoir engineering studies is carried out to characterize pore throats and lithofacies using Self-organizing Map Neural Network in Dalan and Kangan formations of South Pars Gas Field in this paper. Five pore-facies with unique petrophysical, geological and reservoir features are determined by the applied network. A sharp decreasing trend in reservoir quality recognized from pore-facies 1 toward 5 based on their extracted properties. Meanwhile, Support Vector Machine (SVM) which was used  for prediction of pore-facies identified in previous steps from wireline well logs. The accuracy of the model in prediction of pore-facies is 78% which indicates an acceptable result for the model in the South Pars Gas Field.