پيش بيني تراوايي سنگ مخزن با استفاده از روش هاي عدم قطعيت: سيستم فازي نوع دو

Estimation of permeability using uncertainty methods: type -2 fuzzy system

تراوايي يا نفوذپذيري خاصيتي از سنگ مخزن است كه به جريان سيال از سنگ مخزن مي‌پردازد و از فاكتورهاي مهم در توليد نفت و گاز از مخزن به حساب مي‌آيد. اين پارامتر در شرايط آزمايشگاهي از طريق مغزه‌گيري به دست مي‌آيد كه روشي پرهزينه و زمان‌بر است و همچنين براي همه چاه‌هاي موجود در يك ميدان نفتي امكان‌پذير نيست. امروزه اين پارامتر را با استفاده از داده‌هاي لاگ پتروفيزيكي به روش‌هاي آماري و هوشمند محاسبه مي‌كنند. در اين مقاله از الگوريتم‌هاي هوشمند جهت پيش‌بيني تراوايي با استفاده از لاگ‌هاي پتروفيزيكي استفاده شده است. اين پژوهش بر روي داده‌هاي چهار چاه كنگان و دالان واقع در ميدان پارس جنوبي انجام شده است. از مجموع هشت ويژگي استخراج شده از هر چاه، با استفاده از روش انتخاب ويژگي مبتني بر همبستگي، چهار ويژگي مؤثر در هر چاه انتخاب شدند. سپس از روش‌هاي رگرسيون، شبكه عصبي چندلايه، شبكه عصبي RBF(Radial Basis Function) ، مدل درخت خطي محلي (LOLIMOT: Local Linear Model Trees)، سيستم فازي نوع يك و سيستم فازي نوع دو براي پيش‌‌بيني تراوايي استفاده شد. نتايج نشان داد كه با توجه به وجود عدم قطعيت در پارامترهاي پتروفيزيكي و تراوايي، سيستم فازي نوع دو عدم قطعيت‌ها را بهتر پوشش مي‌دهد. اين روش در حالت پايه، تراوايي را با دقت 0/9481 و ريشه دوم ميانگين مربعات خطاي 0/3060 پيش‌بيني كرد. با استفاده از روش تركيبي GSA-GA (Gravitational Search Algorithm - Genetic algorithm)، تعداد قواعد فازي و نيز با استفاده از روش خوشه‌بندي K-means، توابع عضويت فازي بهبود يافت و اين بهبودها منجر به افزايش دقت پيش‌بيني تراوايي با ضريب تعيين 0/9768 و كاهش ريشه دوم ميانگين مربعات خطا به مقدار 0/1602 شد.

Permeability is a property of the reservoir rock, which deals with the flow of fluid from the reservoir and is an important factor in oil and gas production. This parameter is measured via coring and core laboratory analysis, which is an expensive and time-consuming process and also is not a feasible approach for every oil and gas field. Nowadays, the permeability can also be calculated using the data of petrophysical logs by means of statistical and intelligent techniques. The present study uses four wells drilled in Kangan and Dalan formations within South Pars gas field to predict permeability using fuzzy logic. Out of totally eight features extracted from each well, four more effective features were selected using correlation-based feature selection tools. Then, regression, multi-layer perceptron, RBF neural network, Local Linear Model Trees (LOLIMOT), type-1 and type -2 fuzzy systems were utilized for permeability prediction. The results indicated that due to the uncertainty in the petrophysical and permeability parameters, type-2 Fuzzy systems cover better the uncertainties. The aforementioned method predicts the best number of rules using the GSA-GA (Gravitational Search Algorithm - Genetic algorithm) combined algorithms. Fuzzy membership functions were also improved using the K-means clustering algorithms. These improvements led to increased accuracy of the predicted permeability with a coefficient of 0.9768, and a decrease in the root mean square error to 0.1602.