مهدی اصغرزاده - شرکت نفت فلات قاره - مدیریت طرح های اکتشافی - واحد ژئوفیزیک

در این بررسی داده های 3 بعدی لرزه ای یکی از میادین نفتی خلیج فارس به همراه لاگ های تخلخل چاه های موجود در میدان به خدمت گفته می شوند تا پس از استخراج روابط موجود بین اتریبیوت های لرزه ای و مقادیر تخلخل در مقعیت چاه ها،‌از این روابط برای تولید لاگ تخلخل تخمین زده شده در مناطق دور از چاه ها استفاده گردد. برای این منظور ابتدا عمل وارون سازی داده های لرزه ای با استفاده از روش های Model based انجام و سپس از آن به عنوان یک اتریبیوت خارجی به همراه سایر اتریبیوت های موجود استفاده و میزان همبستگی آنها (و یا تبدیلاتی از آنها) با مقادیر تخلخل معادل محاسبه گردید. در مرحله بعد با استفاده از روش Stepwise Regression بهترین مجموعه از اتریبیوت ها برای تخمین تخلخل چاه ها بدست آمد و سپس با استفاده از روش به حداقل رساندن میانگین مربعات خطای موجود در معادله پیش بینی کننده تخلخل، که رابطه ای خطی است از اتریبیوت های به کار رفته،‌ مقادیر تخلخل پیش بینی گردید. در مرحله آخر نیز با آموزش شبکه های عصبی، مقادیر تخلخل برای فواصل میان چاهی تولید شد. در این مطالعه چگونگی افزایش توانایی تخمین تخلخل با استفاده از روش های Multi-Attribute و شبکه های عصبی به جای استفاده از یک اتریبیوت تنها و Cross Potting تشریح می گردد. همچنین میزان افزایش تفکیک در پیش بینی لاگ های تخلخل و نیز از بین رفتن اثر سیال نفتی مخزن در برآورد مقادیر تخلخل با استفاده از روش های مذکور بررسی می گردد.

Single Attribute, Multi Attribute, Neural networks