ارزیابی نفوذپذیری با استفاده از داده های چاه پیمایی و تکنیک شبکه عصبی مصنوعی و مقایسه آن با نفوذپذیری معادله کوتس
Publish place: 01st Iranian Petroleum Engineering Congress
Publish Year: 1385
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 1,895
This Paper With 9 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
IPEC01_083
تاریخ نمایه سازی: 10 اردیبهشت 1386
Abstract:
نفوذپذیری پارامتری بسیار مهم در ارزیابی یک مخزن می باشد . تعیین این پارامتر به وسیله آنالیز مغزه انجام می شود و این در
حالی است که انجام عملیات مغزه گیری و آنالیز مغزه ، مستلزم صرف زمان و هزینه فراوانی می باشد . تکنیک شبکه های عصبی
مصنوعی یک ی از جدیدترین تکنیکهای شبیه سازی و مدل سازی است که می تواند بدون صرف هزینه و زمان و بد ون نیاز به داده
ها و اطلاعات تکمیلی در ارزیابی نفوذپذیری مورد استفاده قرار گیرد . در این مطالعه، از تکنیک شبکه عصبی مصنوعی و تنها از
روی داده های خام نمودارهای پتروفیزیکی برای ارزیابی نفوذپذیری استفاده شده است و نتایج حاصل از آن با نتایج به دست آمده
از معادله کوتس مقایسه گردیده است. در این مطالعه، برای تعیین مقادیر نفوذپذیری در سازند فهلیان میادین نفتی خارک و درود، از دو شبکه استفاده گردید که یکی از
آنها شبکه با چهار پارامتر ورودی (نمودارهای صوتی، گاما ، نگار مقاومت مخصوص عمیق و کم عمق و مقادیر عمق ) برای میدان
درود، و دیگری شبکه ب ا شش پارامتر ورودی (نگارهای صوتی، چگالی، تخلخل نوترون، اشعه گاما ، مقاومت ناحیه کم عمق و
مقاومت عمیق ) برای میدان نفتی خارک بودند . مقادیر نفوذپذیری که توسط این شبکه ها برای میادین درود و خارک به دست آمد و مقادیر نفوذپذیری حاصل از مغزه در چاههای میادین مذکور به ترتیب دارای همبستگی معادل 0.890 و 0.932 بود. در قسمت بعد با استفاده از معادله تجربی کوتز مقادیر نفوذپذیری میادین مذکور محاسبه گردید که مقایسه نتایج مربوط به این کار با مقادیر نفوذپذیری مغزه مقدار همبستگی معادل 0.576 برای میدان درود و 0.784 برای میدان خارک حاصل نمود.
Keywords:
Authors
مجتبی جلالی لیچائی
دانشگاه صنعتی امیرکبیر
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 Paper لینک شده اند :