تعیین رخساره های تراوا با به کارگیری روش های خوشه بندی چند تفکیکی بر پایه گراف و ماشین بردار پشتیبان

سال انتشار: 1391
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 2,449

فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

RESERVOIR01_056

تاریخ نمایه سازی: 26 خرداد 1391

چکیده مقاله:

تراوایی از مهمترین خصوصیات پتروفیزیکی مخزن است که جریان سیالات درون چاه را در مرحله تولید کنترل می کند. این پارامتر نقش کلیدی در ارزیابی تولید مخزن، عملکرد میادین نفتی، مدیریت و توسعه مخزن ایفا می کند تراوایی به طور معمول از آنالیز مغزه به دست می آید ولی این امر مستلزم زمان و هزینه فراوانی می باشد. در مخازن کربناته برای هر تخلخل مشخص در یک نوع سنگ، تراوایی می‌تواند در مقادیر مختلفی تغییر کند که این به علت هتروژنی بودن مخازن کربناته می باشد در این مطالعه ما برای طبقه بندی انواع سنگها نسبت به خواص جریانی بر پایه پارامترهای زمین شناسی و پتروفیزیکی از رخساره های الکتریکی استفاده کرده تا زونهایی با تراوایی بالا را شناسایی کنیم تا بتوانیم مشکل هتروژنی و عوامل موثر دیاژنز را در تراوایی تشخیص دهیم. بدین صورت که ابتدا با روش MRGC رخساره های الکتریکی بهینه را برای چاه شماره(1) به دست اوردیم . برای این کار از لاگ NMR و لاگهای انحراف سرعت(VDL) برای لینک کردن رخساره ها با تراوایی استفاده کردیم و نتایج را با ستون چینه شناسی حاصل از ارزیابی پتروفیزیکی قیاس کردیم و سپس با استفاده از روش ماشین بردار پشتیبان این رخساره ها را برای چاه شماره(2) با دقت 86% بدست آوردیم که با اندازه گیری های حاصل از مغزه و ارزیابی های پتروفیزیکی تطابق بالایی را نشان می دهد.

کلیدواژه ها:

رخساره های الکتریکی ، تراوایی ، NMR ، خوشه بندی چند تفکیکی بر پایه گراف(MRGC) ، ماشین بردار پشتیبان(SVM)

نویسندگان

مهدی رستگارنیا

دانشجوی کارشناسی ارشد مهندسی اکتشاف نفت دانشگاه صنعتی شاهرود

امین روشندل کاهو

عضو هیئت علمی دانشکده مهندسی معدن،نفت،ژئوفیریک دانشگاه صنعتی شاهرو

علی کدخدایی ایلخچی

عضو هیئت علمی دانشگاه تبریز گروه علوم زمین

محسن لشکری

کارشناس ارشد پتروفیزیک سازمان نفت مناطق مرکزی

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 :
  • Serra, O. and Abbot, H. 1980, The Contribution of Logging ...
  • Ye, S.J. And Rabiller, Ph., 2000, A New Tool For ...
  • Ye, S.J. And Rabiller, Ph., 2002, Automated Electrofacies Ordering, Published ...
  • A. Al-Anazi, I.D. Gates, 2010, _ support vector machine algorithm ...
  • Kok Wai Wong, Yew Soon Ong, Tamas D. Gedeon, Chun ...
  • LIU W, WANG R, ZHENG X. (2008). "Estimating coal reserves ...
  • Abe S, (2005). "Support vector Machines for Pattern Classification" Kobe ...
  • C. Cortes, and V. Vapnic, _ Support Vector Network, " ...
  • Tutoria] On Support Vector Machines for Pattern Recognition, " Data ...
  • نمایش کامل مراجع