ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
CIVILICAWe Respect the Science
Publisher of Iranian Journals and Conference Proceedings
Paper
Title

Porosity estimation improvement by averaging technique from well log in Balal oil field

Year: 1390
COI: IPEC03_113
Language: EnglishView: 536
This Paper With 15 Page And PDF Format Ready To Download

Buy and Download

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این Paper را که دارای 15 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

Authors

Asaad Fegh - M.SC of petroleum engineering, University of Tehran
Ali Hamidi Habib - M.SC of petroleum engineering, University of Tehran
Mohammad Ali Riahi - Associated professor, Institute of Geophysics, University of Tehran
Gholam Hussein Norouzi - Associated professor, University College of engineering, University of Tehran

Abstract:

Estimation of porosity in hydrocarbon reservoirs is essential for planning production operations. Lateral variations of porosity cannot easily bedelineated from measurements made at sparsely located wells(Soubotcheva, ٢٠٠٦; Hampson and others, ٢٠٠١; Soto, ١٩٩٨). So, the integration of ٣D seismic data with petrophysical measurements cansignificantly improves the spatial distribution of porosity. Despite sparse well data, ٣D seismic data provide a dense and regular areal sampling ofthe acoustic properties of the producing reservoirs. After processing of ٣D data, the lateral variations of seismic amplitudes can be transformed into impedances by integrating it from the well and geological data, which in turn are indirectly related to porosity (Pramanik and others, ٢٠٠٤; Todorov, ٢٠٠٠; Angelier and Carpi, ١٩٨٢; de Buyl and others, ١٩٨٦).Artificial neural networks (ANNs) are very suitable technique in softcomputing for signal processing. According to a set of multivariate input and target measurements, ANNs can learn and extract their complex nonlinearrelationships. The relationships can be applied to estimate the target variables when the actual measurements are not available (Wong and others, ٢٠٠٢; Ronen and others, ١٩٩٤). Previous studies by this method have shown good results in field applications, compared to the wellestablishedmethods such as multiple linear regression and discriminant analysis. So, this method has been used in the paper (Al-Bulushi andothers, ٢٠١٠; Wong and others, ٢٠٠٧; Wong and others, ٢٠٠٢). Because frequencies of well logs and attributes aren’t identical, onlysamples of attributes that is correlated temporally with samples of target log are inserted to calculations. Multivariate regression method had beendeveloped by Hampson to solve this problem that convolution filters are used instead of single points (Hampson and others, ٢٠٠٠; Russell andothers, ١٩٩٧; Russell, B. H., ٢٠٠٤). This method is equivalent with creating a set of new attributes that in comparison with main attributes had beenshifted temporally. This time shifts are coincident with convolution filters. But many samples, on the different attributes, aren’t inserted intoestimation process because of frequencies distinction and in fact these samples don’t have any role in estimation. It can be inserted average oflogs instead of porosity logs because of the studied horizon has homogeneity petrophysically and in reservoir properties and there is littlechanges in porosity. So with averaging from logs and attributes in the horizon, both the problem of distinct frequencies is solved and lower errorare obtained. So, main goal of this paper is studying of results obtained from porosity estimation by using artificial neural network before and after averaging from logs and seismic attributes in studied reservoir horizon. To achieve the defined goal, one of the southern Iranian oil fields is selected.

Paper COI Code

برای لینک دهی به این Paper می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت Paper در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/260088/

How To Citation:

در صورتی که می خواهید در اثر پژوهشی خود به این Paper ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
Fegh, Asaad and Hamidi Habib, Ali and Riahi, Mohammad Ali and Norouzi, Gholam Hussein,1390,Porosity estimation improvement by averaging technique from well log in Balal oil field,سومین کنگره ملی مهندسی نفت,تهران,,,https://civilica.com/doc/260088

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این Paper اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1390, Fegh, Asaad؛ Ali Hamidi Habib and Mohammad Ali Riahi and Gholam Hussein Norouzi)
برای بار دوم به بعد: (1390, Fegh؛ Hamidi Habib and Riahi and Norouzi)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper 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 مPaperقاله لینک شده اند :

  • De Buyl, M., Guidish, T., and Bell, F., 1986, Statistical ...
  • Wong, P. M., Aminzadeh, F., and Nikravesh, M., 2002, soft ...
  • Al Bulushi, N. I., King, P. R., Blunt, M. J., ...
  • Al Dabbas, M., Jassim, _ and Qaradaghi, A., 2010, Sedi ...
  • Angelier, G. P., and Carpi, R., 1982, Porosity prediction from ...
  • Broomhead, D. S., and Lowe, D., 1988, Multivariable functional inter- ...
  • Hagan, M. T., Demuth, H. B., and Beale, M., 1996, ...
  • Hampson, D., and Russell, B. H., 2007, Emerge module, Theory ...
  • 0.1 _ 07/s12517-0 1 0-0256-5. ...
  • Fausett, L., 1994, Fu n damentals of Neural Networks: Architectu ...
  • A., 2001, Use of multiatribute .ل Hampson, D., Schuelk, _ ...
  • Hampson, D., Todorov, T., and Russell, B., 2000. _ using ...
  • T., and Mizutani, E., 1997, Neuro-fuzzy and soft ...
  • Mohaghegh, D. S., Toro, J, Wilson, T. H., Artun, E., ...
  • Characterizat _ : Final Report Prepared for U.S. Department of ...
  • multiattribute transforms: A case study, Geophysics, V. 69, p. 352-372. ...
  • Russell, B. H., 2004, the application of multivariate statistics and ...
  • Russell, B.H., Lines, L.R., and Hampson, D. P., 2003, Application ...
  • Attributes and Well Log Data using Artificial Intelligence, thesis: King ...
  • Sundararajan _ N., Saratchand ran _ P., and Ying, W. ...
  • Todorov, I. T., 2000. _ Integration of 3C-3D seismic data ...
  • Tutmez, B., 2010 _ Assessment of porosity using spatial correlation ...
  • Wong, P. M., Jian, F. X., Taggart, I. J., 2007, ...
  • Sou botcheva _ N., and Stewart, R. R., 2006, Estimating ...
  • Research Info Management

    Certificate | Report | من نویسنده این مقاله هستم

    اطلاعات استنادی این Paper را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    علم سنجی و رتبه بندی Paper

    مشخصات مرکز تولید کننده این Paper به صورت زیر است:
    نوع مرکز: دانشگاه دولتی
    تعداد مقالات: 63,668
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

    مقالات پیشنهادی مرتبط

    New Papers

    Share this page

    More information about COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.

    Support