برآورد کل محتوی کربن آلی و نوع کروژن از داده های چاه پیمایی با بهره گیری از ترکیب شبکه عصبی مصنوعی و الگوریتم های فراابتکاری

ارزیابی پتانسیل هیدروکربن زایی سنگ منشا به عنوان تابعی از کل محتوی کربن آلی و نوع کروژن از اهمیت بالایی در مطالعات اکتشافی نفت و گاز برخوردار است. هدف اصلی در این مطالعه، مقایسه عملکرد شبکه عصبی مصنوعی بر پایه روش آموزش پس انتشار (ANN-BP) و همچنین الگوریتم های فراابتکاری ژنتیک (ANN-GA) و ازدحام ذرات (ANN-PSO) به منظور برآورد پارامترهای ژئوشیمیایی کل کربن آلی (TOC) و پتانسیل باقی مانده هیدروکربنی (S۲) از طریق نمودارهای چاه‎ پیمایی است. بدین منظور، سازند پابده (پالئوسن الیگوسن) در میدان نفتی منصوری مورد مطالعه قرار گرفت. براساس نتایج برازش خطی برروی داده های آزمون، روش ANN-PSO امکان برآورد پارامترهای TOC و S۲ حاصل از آنالیز راک ایول را به ترتیب با ضریب تعیین (R۲) برابر با ۸۵۴۸/۰ و ۹۰۸۹/۰ فراهم آورده و عملکرد بهتری نسبت به روش های ANN-BP و ANN-GA به نمایش می گذارد. همچنین، برآورد پارامتر شاخص هیدروژن (HI) بر مبنای ارتباط میان مقادیر TOC و S۲ به واسطه این روش با ضریب تعیین ۶۸۸۲/۰ از دقت قابل قبولی برخودار بوده و تفکیک انواع کروژن با دقت طبقه بندی ۷۴% را امکان پذیر می سازد. زون بندی ژئوشیمیایی سازند پابده بر مبنای غنی شدگی آلی و نوع کروژن با توجه به نتایج حاصل از روش ANN-PSO نشان دهنده سه بخش مجزا است، به طوری که بخش میانی (واحد شیل قهوه ای) با دارا بودن مقادیر قابل توجه کل محتوی کربن آلی و شاخص هیدروژن از پتانسیل هیدروکربن زایی بیشتری برخودار بوده و در صورت رسیدن به بلوغ حرارتی مناسب می تواند نقش قابل توجهی در شارژ تله های نفتی میدان ایفاء نماید. بنابراین، تعیین دقیق اختصاصات هیدروکربن زایی سازند پابده با به کارگیری مدل پیشنهادی ANN-PSO در این مطالعه، کاهش عدم قطعیت در مدل سازی سیستم نفتی و متعاقبا افزایش قابل توجه کارایی اکتشاف در میدان نفتی منصوری را به دنبال خواهد داشت.

کلیدواژه ها:

کل کربن آلی ، نوع کروژن ، شبکه عصبی مصنوعی ، الگوریتم ژنتیک ، بهینه سازی ازدحام ذرات