چکیده:
تراوایی یکی از مهمترین مشخصه ی سازندهای هیدروکربنی میباشد. تراوایی سازند گاهی اوقات در
آزمایشگاه از روی مغزه ها یا ارزیابی داده های چاه آزمایی بدست میآید. اگرچه آنالیز مغزه و داده های
چاهآزمایی گاهی اوقات فقط برای تعدادی از چاه های میادین در دسترس است. به عبارت دیگر، تقریبا
تمام چاه ها پیموده میشوند. این مقاله یک مدل غیر پارامتری برای تخمین زدن تراوایی مخزن از داده های
چاه پیمایی را با استفاده از شبکه ی عصبی مصنوعیANN) ارائه میدهد. تکنولوژی ANN به وسیله ی کاربرد برای یکی از میادین نفتی سعودی شرح داده میشود. این میدان بزرگترین میدان نفتی دریایی در
جهان میباشد و در یک محیط دلتایی رودخانه ای تهنشین شده است. استفاده از روشهای رگرسیون دراین موارد برای پیشبینی تراوایی موفقیت آمیز نبود. مدل پیشبینی تخمین تراوایی ANN از روی مقداریداده که شامل تراوایی مغزه و داده های چاه پیمایی از ٣ چاه توسعه یافته میباشد بدست میآید. مدل ANN از روی مقداری داده ی چاه پیمایی و اندازه گیریهای مغزه های متناظرشان به وسیله ی شبکه ی عصبی رایج قبلی
BPNN) ساخته شده و آموزش داده شده است. مدل نتیجه گیری شده آزمایشی کور بود که از دادههایی که از فرایند کنار گذاشته بودن استفاده میشد. نتایج این آزمایش نشان میداد که تخمینهای تراوایی مدل ANN
سازگار با داده های واقعی مغزه هستند. میتوان نتیجه گرفت که مدل ANN وسیله ی قدرتمندی برای تخمین تراوایی از روی داده های چاهپیمایی میباشد.
خلاصه ماشینی:
این مقاله یک مدل غیر پارامتری برای تخمین زدن تراوایی مخزن از دادههای چاهپیمایی را با استفاده از شبکهی عصبی مصنوعی (ANN) ارائه میدهد.
مدل پیشبینی تخمین تراوایی ANN از روی مقداری داده که شامل تراوایی مغزه و دادههای چاهپیمایی از 3 چاه توسعه یافته میباشد بدست میآید.
میتوان نتیجه گرفت که مدل ANN وسیلهی قدرتمندی برای تخمین تراوایی از روی دادههای چاهپیمایی میباشد.
در این کار شبکهی عصبی برای محاسبه ی تراوایی مخزن از روی واکنشهای چاهپیمایی مورد استفاده قرار میگیرد.
تراوایی مغزه و اطلاعات چاه پیمایی از سه چاه جدید توسعه یافته از یکی از مخازن نفتی سعودی برای توسعه دادن مدل تخمین تراوای ANN مورد استفاده قرار گرفت.
معماری انتهایی شبکهی عصبی برای تخمین تراوایی، شامل 6 متغیر ورودی و یک لایهی پنهان به همراه 19 عصب میباشد (همانطور که در شکل 2 نشان داده شده است).
شکل 4 نشان دهندهی مقادیر دقیق تراوایی مغزه در مقایسه با تخمین شبکه برای هر نقطهی نمونهی چاه میباشد.
نتایج مدل ANN برای تخمین تراوایی عالی میباشد، زمان آموزش شبکه به همراه همهی 6 متغیر ورودی شبکهی عصبی مصنوعی قادر به تخمین زدن تراوایی سازند با دقت بالا میباشد، به وسیلهی استفاده از دادههای چاهپیمایی ژئوفیزیک، قابل مقایسه با اندازه گیریهای واقعی مغزه.
این مطالعه نشان میدهد که تخمین عصب از تراوایی مغزه به وسیلهی دادههای چاهپیمایی تکنیکی امکانپذیر است.
, State-ofthe- Art in Permeability Determination from Well Log Data: Part2 – Verification, Accurate Permeability Predictions, the Touch-Stone of all Models, SPE 30979, Presented at SPE Eastern Regional Conference and Exhibition, held in Morgantown, West Virginia, 17-21 Sept.