بهينه سازي اجتماع ذرات به منظور تخمين سرعت موج برشي از داده هاي چاه پيمايي

Evaluation of particle swarm optimization in synthesis of shear wave velocity using conventional well log data

بر پايه ­ي مطالعات گسترده اي كه تاكنون صورت گرفته است، بدون ترديد، سرعت موج برشي نقشي اساسي را در ارزيابي مخازن هيدروكربوري ايفا مي­ نمايد. بهره­ گيري از اطلاعات سرعت موج برشي، غالباً اين امكان را فراهم مي­ سازد كه بتوان اثرات لرزه­ اي پارامترهايي چون سنگ­ شناسي، نوع سيال منفذي و فشار منفذي را شناسايي كرد. امّا متأسفانه داده­ هاي سرعت موج برشي در بسياري از ميادين موجود نيستند و تخمين آن­ها به روش­ هاي ديگري ضروري به نظر مي­ رسد. در اين مطالعه از سيستم هوشمندِ الگوريتم بهينه­ سازي اجتماع ذرات جهت تخمين سرعت موج برشي استفاده شده است. اين الگوريتم توسط معادلات هوشمند مشتق شده در دو روش خطي و غيرخطي به كار گرفته شده است. مجموعه داده­ هاي اين پژوهش حدود 3190 داده مرتبط با مخزن آسماري در دو چاه از يكي از ميادين نفتي جنوب­ غرب ايران است. همه نقاط داده­ اي شامل نگار­هاي تخلخل و سرعت موج برشي اندازه­ گيري شده توسط ابزار DSI بوده­ اند. اين داده ­ها به دو دسته شامل 2090 داده براي ساخت مدل و 1100 داده براي تست و صحت­ سنجي مدل تقسيم شده است. در نهايت، نتايج حاصل از شبيه ­سازي سرعت موج برشي توسط الگوريتم اجتماع ذرات با مقدار واقعي برآورد شده توسط DSI مقايسه گرديد. مقدار ضريب همبستگي برآورد شده در مرحله ­ي صحت­ سنجي براي روش خطي از اين الگوريتم حدود 0/92 به دست آمده است. در حالي­ كه اين همبستگي در صورت استفاده از مدل غيرخطي اجتماع ذرات به حدود 0/95 مي­ رسد. نتايج به دست آمده از اين پژوهش و مقايسه­ ي آن با مطالعات گذشته، مناسب بودن استفاده از اين روش را براي تخمين سرعت موج برشي در ميادين نفتي، تأييد مي ­كند.

Based on the extensive studies, undoubtedly, the shear wave velocity (Vs) plays a fundamental role in hydrocarbon reservoir evaluation. Using Vs often allows us to identify the seismic signatures of lithology, pore fluid type and pore pressure, efficiently. Unfortunately Vs data is not available in all reservoirs and it is necessary to predict it. To date, intelligent systems have been utilized as powerful and routine tools for this purpose. In this study, PSO algorithm that is one of the artificial intelligence system used for Vs estimation. The algorithm is utilized in linear and nonlinear ways by intelligently derived Equations. This study have a total 3190 data points from Asmari reservoir from two wells in one of the oilfields, SW Iran. All data points have porosity log and measurement Vs by Dipole Shear Sonic Imager. These data are divided into two parts, one part included 2090 data points are used for constructing model and the other part included 1100 data points are used for testing and validation model. Shear wave velocity is predicted by PSO algorithm and results compared with real Vs measurements by DSI. Regression between predicted Vs by Linear PSO algorithm and measured Vs is about 0.92, whereas it is about 0.95 by using nonlinear PSO algorithm. Results of this study and comparison with other studies confirm that particle swarm optimization is suitable for predicting Vs in other oilfields.