بهينه سازي تعيين رده رخساره‌هاي پتروفيزيكي با تحليل سريع مؤلفه هاي مستقل و تبديل كسينوسي گسسته پايه K نزديك ترين همسايه در ميدان مارون مخزن آسماري

Optimization determine of petrophysical facies class using Fast independent component analysis and discrete cosine transform based k-nearest neighbors in the Marun oil field, Asmari reservoir

هدف از انجام اين پژوهش، تعيين بهينه رخساره‌هاي پتروفيزيكي از روي داده‌هاي نموداري چاه است. با استفاده از روش دسته‌بندي خودكار K نزديك­ترين همسايه مي‌توان رخساره‌هاي پتروفيزيكي را تعيين كرد؛ اما نه به­صورت بهينه. براي تعيين بهينه رخساره‌ها، روش K نزديك­ترين همسايه با روش‌هاي تحليل سريع مؤلفه ­هاي مستقل و تبديل كسينوسي گسسته تلفيق مي‌شود كه اين امر موجب افزايش نرخ موفقيت روش K نزديك­ترين همسايه و تعيين بهينه رخساره‌هاي پتروفيزيكي مي‌شود كه به ­دنبال آن مي‌توان مدل‌سازي و توصيف مخازن هيدروكربني را انجام داد. پژوهش در دو مسير متفاوت انجام مي‌شود. در مسير اول، روش تحليل سريع مؤلفه ­هاي مستقل روي داده اعمال‌ و سپس توسط روش K نزديك­ترين همسايه دسته‌بندي مي‌شود و در مسير دوم روش‌هاي تحليل سريع مؤلفه­هاي مستقل و تبديل كسينوسي گسسته روي داده‌ها اعمال و سپس توسط روش K نزديك­ترين همسايه دسته‌بندي مي‌شود. در پايان نرخ موفقيت دسته‌بندي توسط K نزديك­ترين همسايه در هر دو مسير به­ منظور تعيين بهينه رخساره‌هاي پتروفيزيكي مورد ارزيابي قرار مي‌گيرد. ارزيابي انجام‌ شده نشان مي‌دهد كه اعمال روش مسير دوم روي داده‌ها به‌طور معني‌داري نرخ موفقيت دسته‌بندي توسط روش K نزديك­ترين همسايه را افزايش مي‌دهد كه اين امر موجب تعيين بهينه رخساره‌هاي پتروفيكي مي‌شود كه همان هدف از انجام اين پژوهش است. داده‌هاي مورد استفاده، نمودارهاي صوتي (Sonic Log)، پرتوي گاما (Gamma Ray)، چگالي (FDC يا RHOB)، تخلخل نوترون (CNL يا NPHI) و نگارهاي القايي ژرف (ILD) از ميدان نفتي مارون در جنوب كشور ايران هستند.

This paper aims to optimally determine petrophysical facies according to well log data. Using the automatic classification method of K-NN (K-Nearest Neighbours), petrophysical facies can be determined even though not optimally. For optimal determination of facies, the K-NN method is combined with FastICA (Fast Independent Component Analysis) and DCT (Discrete Cosine Transform) methods. This increases the success rate of the K-NN method. It also brings about optimal determination of petrophysical facies after which modelling and description of hydrocarbon reservoirs can be done. The research is performed in two different ways: In the first approach, the FastICA method is applied to data and then classified by the K-NN method. In the second approach, FastICA and DCT methods are applied to data and then classified by the K-NN method. Finally, the success rate of classification by the K-NN method is evaluated in both approaches to optimally determine petrophysical facies. Such evaluations indicate that application of the second method to data significantly enhances the success rate of the classification by the K-NN method, thereby leading to optimal determination of petrophysical facies, which is the very aim of this study. The utilized data including sonic log (DT), gamma rays (SGR), density (FDC or RHOB), neutron porosity (CNL or NPHI), and deep induction logs (ILD), belongs to the Marun oil field in southern Iran.