مدلسازی، تفسیر و تحلیل فشارهای سازندی به روشهای زمین آماری و هوشمند با استفاده از داده های لرزه نگاری و چاه پیمایی جهت بهینه سازی عملیات حفاری اکتشافی

برای بهینه سازی تصمیمات حفاری و برنامه ریزی محل چاه ها در مناطق فشار بالا، تخمین فشارهای سازندی ضروری است، همچنین تعیین این پارامترها قبل از حفاری و حین انجام آن برای انتخاب مناسب لوله جداری و وزن گل حفاری بسیار مهم است[۱و۲]. ناپایداری چاه هنگام حفاری اکتشافی باعث بروز مشکلاتی اعم از گیر کردن لوله ها و هرز روی گل می شود که عمدتا ناشی از درک نادرست از خواص سنگ، فشار منفذی و وضعیت تنش های برجای زمین قبل از شروع عملیات حفاری است[۵ و۷]. روش های اصلی این مطالعات تخمین فشار منفذی با استفاده از داده های لرزه نگاری و همچنین روش های ایتون و باورز و مقایسه دقت و کارایی آن هاست[۱ و ۲]. در روشهای لرزه ای تخمین فشار منفذی با تبدیل سرعت لرزه ای به فشار منفذ و نهایتا مقایسه با فشار بدست آمده حین برنامه آزمایش چاه بدست می آید و نتایج از مدلهای زمین آماری یا هوشمند مانند شبکه عصبی مصنوعی تعیین می شود[۲ و ۶]. در روش باورز، محققین برای ارتباط مستقیم بین سرعت و تنش موثر تلاش کردند. یکی دیگر از این مدل ها توسط باورز گسترش داده شد. داده های سرعت و چگالی موجود در محل چاه ها با استفاده از روش ترکیبی شبیه سازی گوسی پی درپی و کوکریجینگ هم مختصات، در فواصل بین چاه ها پراکنده می شود سپس با استفاده از رابطه بین سرعت و تنش موثر، مکعب تنش موثر و رابطه بین چگالی و فشار روباره، مکعب فشار روباره تولید می شود. در نتیجه فشار منفذی سازند با توجه به رابطه ترزاقی تخمین زده می شود. در روش ایتون فشار منفذی با استفاده از اطلاعات چاه نگاری و با اصلاحات مورد نظر در محل چاه ها تخمین زده می شود، در این روش، خط روند زمان گذر صوتی با استفاده از روش ژانگ و با توجه به لیتولوژی تقسیم بندی می شود[۱].

Keywords:

داده های لرزه نگاری , فشارهای سازندی , عملیات حفاری اکتشافی , مدل ایتون و باورز , شبکه عصبی مصنوعی