اثر لیتولوژی در بهبود مدل سازی پتروفیزیکی مخزن کربناته ناهمگن در جنوب ایران

سال انتشار: 1392
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 666

فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

NCEE01_011

تاریخ نمایه سازی: 22 فروردین 1393

چکیده مقاله:

اندازه گیری های آزمایشگاهی معمولا هزینه بر و تهیه نمونه های مغزه از کل چاه نیز مقرون به صرفه نیست. از این رو امروزه در صنعت نفت از نمودارهای چاه پیمایی که هزینه نسبتا ارزان تری دارند به طور وسیعی استفاده می شود. از طرفی معمولا مقادیر برآورد شده از نمودارهای چاه پیمایی با مقادیر اندازه گیری شده در آزمایشگاه تفاوت دارند. این اختلاف می تواند ناشی از خطاهای سیستماتیک و تصادفی باشد. در این مقاله قصد داریم تاثیر لیتولوژی در بهبود مدل سازی پتروفیزیکی مخزن کربناته ناهمگن در جنوب ایران را نشان دهیم. برای این منظور ابتدا با استفاده از تحلیل احتمالاتی و شبکه عصبی مصنوعی مدل های تخلخل و نفوذپذیری تهیه و سپس نتایج آنها با نمونه های مغزه مقایسه شدند. این مقایسه نشان داد که مدل های تخلخل و نفوذپذیری با داده های مغزه کاملا منطبق نیستند. در مرحله بعد، سنگ مخزن با استفاده از لیتولوژی، زون بندی شد. برای هر زون یک مدل شبکه عصبی به گونه ای طراحی شد که داده های ورودی و خروجی به شبکه به ترتیب نمودارهای چاه پیمایی و داده مغزه در آن زون بودند. سپس مدل های آموزش یافته در هر زون در زون مشابه چاه دیگر آزمایش شدند. نتیجه اعتبار سنجی این مدل ها نشان داد که اختلاف بین این مدل ها و داده های مغزه بسیار کمتر از دو روش قبلی است.

نویسندگان

حسین پورصیامی

عضو هیات علمی پژوهشگاه صنعت نفت، پژوهشکده مطالعات مخازن و توسعه میادین، تهران، ایران

علی اکبر رحیمی بهار

عضو هیات علمی پژوهشگاه صنعت نفت، پژوهشکده مطالعات مخازن و توسعه میادین، تهران، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Ali S. S., Hossain M. E., Hassan M. R., Abdulraheem ...
  • Kumar A., Artificial Neural Network as a Tool for Reservoir ...
  • Tang H., Toomey N., Meddaugh W. S., Using an Artificia ...
  • Teh W. J., Willhite G P., Doveton J. H., Improved ...
  • نمایش کامل مراجع