روشي جديدبراي بهبودتخمين كميت‌‌هاي مخزن كربناته ناهمگن بااستفاده ازتركيب كاني‌شناسي

A New Method To Improve Estimation of Heterogeneous Carbonate Reservoir Parameters Using Mineralogical Composition

توصيف يك مخزن نفتي فرآيندي است براي توصيف كمّي خواص مختلف مخزن در فضاي چندبُعدي با استفاده از اطلاعات موجود ميدان. تخلخل و نفوذپذيري دو كميت مهم و بنيادين مخزن هستند. اين دو كميت تاثير زيادي در تصميم گيري هاي عملياتي و مديريت توليد از مخازن دارند. در مخازن ناهمگن (به ويژه در چاه هايي كه مغزه گيري نشده اند) برآورد تخلخل و نفوذپذيري از روي نمودارهاي درون چاهي كاري پيچيده و مشكل است. در اين مقاله اثر تركيب كاني شناسي بر افزايش دقت تخمين تخلخل و نفوذپذيري يك ميدان نفتي واقع در جنوب غربي ايران نشان داده خواهد شد. در اين مطالعه سه روش براي تخمين تخلخل و نفوذپذيري استفاده شد. در دو روش نخست به ترتيب دو مدل كه يكي از آنها با استفاده از شبكه عصبي مصنوعي و ديگري با استفاده از منطق فازي و شبكه عصبي مصنوعي در يك چاه تهيه شده بودند در چاه ديگري مورد آزمايش قرار گرفته و نتايج حاصل با داده هاي مغزه مقايسه گرديد. قياس هاي انجام شده نشان داد كه با وجود دقت بيشتر روش دوم، هنوز داده هاي تخميني كاملاً با داده هاي مغزه منطبق نيست. در روش سوم، ابتدا با بررسي تركيب كاني شناسي مخزن چندين ناحيه شناسايي شد و براي هر ناحيه مدل شبكه عصبي جداگانه اي تهيه گرديد. براساس ناحيه بندي، اعتبارسنجي مدل ها در چاه ديگري نشان داد كه داده هاي تخميني بسيار به داده هاي مغزه نزديك هستند.

Oil reservoir characterization is a process for describing quantitatively different properties in multi-dimensional space using the available field data. Two important and fundamental properties of reservoir are porosity and permeability. These two properties have a huge impact on operational decisions and reservoir production management. In heterogeneous reservoirs, especially in areas and wells that un-cored, prediction of porosity and permeability using well logs are difficult and complex. In this paper, effect of mineralogical composition would be presented on increasing the precision of estimated porosity and permeability of oil field in southwestern Iran. For this study, three methods were applied to estimate the porosity and permeability. In the first two methods, two models were prepared for one well using artificial neural network and combining Fuzzy logic and artificial neural network respectively and then those models were tested in another well and outputs were compared with core data. These comparisons showed that although the second method was more accurate than the first one, but estimated data was not quite matched with core data. In third method, after reviewing of reservoir mineralogical composition, several different zones were identified and for every zone a separate neural network model was developed. According to the zonation, validation of the models in another well showed that estimated data were very close to the core data.