تعيين گونه‌‌هاي سنگي و پيش‌‌بيني تراوايي در سازندهاي كنگان و دالان با روش شبكه عصبي پس‌انتشار

Rock types determination and permeability prediction in Kangan and Dalan formations using the backpropagation neural network method

تعيين گونه‌‌هاي سنگي به منظور كاهش ناهمگني‌‌هاي مخزن در مخازن كربناته و پيش بيني تراوايي يكي از پارامترهاي مهم در ارزيابي مخازن هيدروكربني مي‌‌باشد. در اين مقاله از يك روش چند مرحله‌ايي پيوسته براي تعيين گونه‌‌هاي سنگي و پيش بيني تراوايي استفاده گرديده است. در مرحله اول از داده‌‌هاي آزمايشگاهي فشار تزريق جيوه و تخلخل و تراوايي مغزه، لاگ‌‌هاي شعاع گلوگاه تخلخل در اشباع 35 درصد جيوه و انديس زون جرياني محاسبه گرديد. دو لاگ بازسازي شده همراه با نمودارهاي پتروفيزيكي تصحيح شده به‌عنوان لاگ‌‌هاي ورودي جهت تعيين گونه‌‌هاي سنگي با استفاده از روش خوشه سازي سلسله مراتبي انتخاب گرديدند. با استفاده از روش گفته شده 5 گونه سنگي در ميدان مورد مطالعه استخراج شد. در چاه‌‌هاي فاقد مغزه از روش ماشين بردار پشتيبان براي گسترش گونه‌‌هاي سنگي در محدوده چاه‌‌ها استفاده شد. در مرحله آخر و پس از تعيين گونه‌‌هاي سنگي در چاه‌‌ها، از روش شبكه عصبي پس انتشار خطا و به دو رهيافت مجزا تراوايي پيش بيني گرديد. ابتدا يك شبكه عصبي براي كل داده‌‌ها طراحي گرديده و تراوايي با استفاده از اين شبكه پيش بيني گرديد. در ادامه براي هر يك از گونه‌‌هاي سنگي يك شبكه پس انتشار خطا طراحي و تراوايي در گونه‌‌هاي سنگي تعيين شده پيش بيني شد. نتايج نشان داد كه تعيين گونه‌‌هاي سنگي با استفاده از پارامترهاي استخراج شده از داده‌هاي فشار تزريق جيوه و تخلخل و تراوايي مغزه همراه با نمودارهاي تصحيح شده باعث كاهش ناهمگني مخزن از نظر كيفيت مخزني مي‌‌گردد. اين كاهش ناهمگني براي پيش بيني تراوايي با استفاده از روشي كه براي هر گونه سنگي يك شبكه مجزا طراحي شود باعث كاهش خطا مي‌گردد كه به دليل كاهش محدوده تغييرات تراوايي براي هر رخساره خاص مي‌‌باشد و باعث مي‌‌شود الگوريتم پس انتشار خطا تراوايي را با دقت بالاتري پيش بيني كند.

Rock types determination is one of the important parameters in the evaluation of hydrocarbon reservoirs in order to permeability estimation and reducing reservoir heterogeneity. In this study, a continuous multi-step method is used to determine rock types and predict permeability. In the first step, pore throat radius at 35% mercury saturation and the flow zone index were calculated from the laboratory data of mercury injection pressure and core porosity and permeability. These two calculated parameters along with corrected petrophysical logs were selected as input to determine rock types using hierarchical clustering method. 5 rock types were extracted in the studied field using the mentioned method. The support vector machine method was used to expand the rock types in the wells without core sample. In the last step, the permeability was predicted by the neural network method - backpropagation - by two separate approaches. Firstly, a neural network was designed for the whole data and the permeability was predicted using this network. In the following, a neural network was designed for each rock type and permeability was predicted in the determined rock types. The results showed that the determination of rock types using the parameters extracted from the mercury injection pressure data and core porosity and permeability along with the corrected logs reduces the heterogeneity of reservoir in terms of reservoir quality. This heterogeneity reduction for predicting permeability by using a method which design a separate neural network for each rock type reduces the error due to the reduction of the permeability range changes for each facies. Also, it rises the accuracy of permeability predicted using the backpropagation algorithm.