Rock Typing andPrediction of Permeability-Porosity Relationship for one of IranianCarbonate Gas Reservoirs
سال انتشار: 1391
نوع سند: مقاله کنفرانسی
زبان: انگلیسی
مشاهده: 3,083
فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
RESERVOIR01_076
تاریخ نمایه سازی: 26 خرداد 1391
چکیده مقاله:
[M.Sharifinik] - Islamic Azad University, Tehran, Iran
Reservoir characterization methods are very important as they provide a better description of the storage and flow capacities of a hydrocarbon reservoir; moreover, it plays crucial role in reservoir simulation models.Reservoir rock typing is one of the most essential parts of proper reservoir characterization. This is a broad classification including quantitative measures such as porosity, permeability, pore and throat sizedistributions, pore connectivity and qualitative descriptions of rock fabric and texture. Rock typing is based on conventional core analysis data, special core analysis (SCAL), wireline logs, description of cuttings and depositional environment, and thin-section analysis. Rock typing and hydraulic flow unit identification are elaborated to integrate both geological and petroleum engineering data. Among the various quantitative rock-typing techniques presented in the literature, the flow zone index approachand Winland R35 method aremore widely used.‘K’ and ‘D’ are main carbonate formations for one of the giant gas reservoirs in Iran. In this study, core data from one well are assembled to develop more accurate generalized permeability-porosity relationship for characterize ‘K’ and ‘D’ formations by (HFU) concept for a gas condensate field reservoir in Persian Gulf in Iran.
کلیدواژه ها:
نویسندگان
A Rabiei
Petroleum University of Technology, Ahwaz, Iran
H Sayyad
Persian Gulf University, Bushehr, Iran
H Khademi
Islamic Azad University, Tehran, Iran
M.A Ahmadi
SPE Member
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 :