خوشه بندی خصوصیات مخزن جهت تشخیص نوع سنگ با استفاده از روش کی-میانگین در یکی از میادین نفتی جنوب غرب ایران
عنوان مقاله: خوشه بندی خصوصیات مخزن جهت تشخیص نوع سنگ با استفاده از روش کی-میانگین در یکی از میادین نفتی جنوب غرب ایران
شناسه ملی مقاله: JR_IRPGA-4-2_004
منتشر شده در در سال 1400
شناسه ملی مقاله: JR_IRPGA-4-2_004
منتشر شده در در سال 1400
مشخصات نویسندگان مقاله:
عباس سلحشور - مهندسی صنایع/ دانشکده مهندسی صنایع/ دانشگاه ایوانکی
احمد گایئنی - دانشکده ی مهندسی صنایع، مهندسی صنایع، دانشگاه ایوانکی
علیرضا شاهین - دانشکده ی علوم، زمین شناسی، دانشگاه اصفهان
مصیب کمری - مهندس ارشد پتروفیزیک / شرکت ملی مناطق نفت خیز جنوب
خلاصه مقاله:
عباس سلحشور - مهندسی صنایع/ دانشکده مهندسی صنایع/ دانشگاه ایوانکی
احمد گایئنی - دانشکده ی مهندسی صنایع، مهندسی صنایع، دانشگاه ایوانکی
علیرضا شاهین - دانشکده ی علوم، زمین شناسی، دانشگاه اصفهان
مصیب کمری - مهندس ارشد پتروفیزیک / شرکت ملی مناطق نفت خیز جنوب
تعیین گونه های سنگ در ساخت مدل استاتیک و پویای مخازن هیدروکربنی از اهمیت ویژه ای برخوردار می باشد. تخمین دقیق خواص سنگ های مخزنی، باعث افزایش دقت و صحت در پیش بینی میزان ذخیره مخزن و عملکرد آن میشود. تاکنون مدل های متعددی برای تعیین گونه های سنگهای مخزن توسط متخصصین پیشنهادشده است؛ اما اکثر مدل های پیشنهادی بر اساس روش های متداول مدل محور مهندسی و زمین شناسی سنگ های مخزنی کربناته استوار بوده است. بنابراین استفاده از یک روش یادگیری ماشین برای تعیین گونه های سنگی در مقایسه با روش های پیشین و مقایسه کارایی و عملکرد آن با سایر روشها ضروری به نظر میرسد. در این مطالعه داده های مغزه و لاگ در مخزن نفتی مارون پس از آمادهسازی، با استفاده از تکنیک سری های زمانی پویا (DTW) هم عمق سازی شدهاند. سپس داده های مغزه توسط روش یادگیری ماشین غیر نظارتی کی-میانگین خوشه بندی شدند. همچنین فرآیند خوشه بندی داده های مغزه توسط روش های متداول مدل محور از قبیل روش شاخص منطقه جریانی (FZI) و وینلند نیز انجام گردید. در ادامه نتایج خوشه بندی با استفاده از روشهای کی-میانگین، شاخص منطقه جریانی و وینلند با در اختیار داشتن اطلاعات لیتولوژی لاگ ها صحت سنجی شده و با یکدیگر مقایسه شده است. روش کی-میانگین با معیار صحت سنجی ۹۳.۵ درصد، موفق به انجام بیشترین تفکیک پذیری خوشه ها شد که نشان داد روش یادگیری ماشین مبتنی بر داده کی-میانگین، جایگزین مناسبی برای روش های متداول مدل محور برای خوشه بندی گونه های سنگی می باشند.
کلمات کلیدی: خوشه بندی, مخزن, گونه سنگی, لاگ, هم عمق سازی, مغزه
صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/1515882/