Estimating Total Organic Carbon Content and Source Rock Evaluation,applying log R and neural network methods -ahwaz and marun oil fields , Swof iran
محل انتشار: چهاردهمین همایش بین المللی نفت، گاز و پتروشیمی
سال انتشار: 1389
نوع سند: مقاله کنفرانسی
زبان: انگلیسی
مشاهده: 2,529
فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
IOGPC17_024
تاریخ نمایه سازی: 3 آبان 1389
چکیده مقاله:
well logging is a useful method for sedimentary basin and source rock evaluation. Source rocks have special responses in porosity and resistivity logs which can make them distinguishable from surrounding rocks. Therefore well logging data and diagrams can be used as indicators of determination source rock potential . characterizations of kazhdomi , pabdeh and gurpi source rocks have been determined by geochemical analysis in some iranian oil field but no TOC (total organic carbon ) zonation and interpretation have been carried out in these formations yet. several studies have confirmed petroleum potential of kazhdomi formation in dezful embayment but pabdeh formation more signifacant and gurpi less significant have been always the topics of iranian petroleum geologist discussions in order to find out whether these formations have the potential of generating oil or not and what are the organic matter properties of these formations. the purpose of this paper is calculating TOC values of pabdeh formation in ahwaz and marun oil fields through using combiantion of sonic and resistivity logs and also neural network method. then these TOC values were compared with TOC from geochemical analysis.
کلیدواژه ها:
نویسندگان
h amiri bakhtiar
national iranian south oil company
a telmadarreie
department of petroleum engineering
m.m shayesteh
national iranian south oil company
m.h heydari fard
national iranian south oil company
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله 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 مقاله لینک شده اند :