تخمین مدل فشار منفذی در سازند آسماری میدان نفتی کوپال با استفاده از وارون سازی مکعب لرزه ای

سال انتشار: 1405
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 28

فایل این مقاله در 16 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_ANM-16-48_004

تاریخ نمایه سازی: 22 آبان 1405

چکیده مقاله:

نظر به اهمیت فشار منفذی برای مدل سازی استاتیکی و دینامیکی مخازن نفت و گاز و طراحی حفاری و بهره برداری از آن ها، پیش بینی صحیح این کمیت پیش از انجام حفاری های گران قیمت و فرآیند چاه آزمایی، ضرورت دارد. پژوهش حاضر با استفاده از وارون سازی داده های لرزه ای به مدل سازی فشار منفذی در میدان نفتی کوپال در جنوب غربی ایران می پردازد که روشی ارزان برای تخمین این کمیت محسوب می شود. در این راستا، از مدل امپدانس صوتی به دست آمده از وارون سازی داده های لرزه ای در کنار سایر نشانگرهای لرزه­ای و اطلاعات فشارسنجی با روش سازندآزمایی مکرر (RFT) سه حلقه چاه از چهار حلقه چاه موجود برای تخمین مدل فشار منفذی با استفاده از روش رگرسیون چند نشانگری استفاده شد. در گام بعد، شبکه عصبی احتمالاتی (PNN) و شبکه عصبی چندلایه ای پیش خور (MLFN) نیز برای تخمین فشار منفذی طراحی و آموزش داده شدند. چهارمین چاه به عنوان شاهد استفاده شد و در طراحی شبکه های یادشده حضور نداشت. سپس برای ارزیابی عملکرد هر یک از این روش ها، ضریب تغییرات (CV) مدل فشار منفذی تخمین زده شده در طول در چاه چهارم با CV فشار منفذی اندازه گیری شده RFT در همان چاه مقایسه شدند. این مقایسه نشان داد درحالی که CV برای فشارهای اندازه گیری شده ۰۱۲۳/۰ بوده، اما CV برای فشارهای تخمین زده شده با روش های رگرسیون چند نشانگری، PNN و MLFN به ترتیب برابر ۰۳۲۵/۰، ۰۲۳۸۶/۰ و ۰۱۹۸۶/۰ است؛ بنابراین، فشارهای تخمین زده شده با روش MLFN نزدیک ترین ارتباط آماری را با داده های واقعی فشارسنجی داشته است. همچنین مشخص شد که همه نقاط مخزن از روند خطی افزایش هیدرواستاتیکی فشار منفذی با عمق تبعیت نمی کنند و در بعضی از نقاط، وجود پدیده فرافشار، سبب افزایش فشار منفذی به بیش از مقدار روند خطی هیدرواستاتیکی آن در مخزن یادشده منجر شده است.

نویسندگان

Faezeh Mousavion

دانشکده مهندسی معدن، دانشگاه صنعتی اصفهان، اصفهان، ایران

Sayyed Mohammad Abtahi Forooshani

دانشکده مهندسی معدن، دانشگاه صنعتی اصفهان، اصفهان، ایران

Hamzeh Sadeghisorkhani

دانشکده مهندسی معدن، دانشگاه صنعتی اصفهان، اصفهان، ایران

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 :
  • Soleymani, H. , Sokooti, M. and Riahi, M. A. (۲۰۱۳). ...
  • Poursiami, H. (۲۰۱۳). Pore Pressure Modeling of Hydrocarbon Reservoir in ...
  • Adim, A., Riahi, M. A., Bagheri, M. (۲۰۱۸). Pore Pressure ...
  • Maddahi, I. , Moradzadeh, A. and Nejati Kalateh, A. (۲۰۲۰). ...
  • Zhang, J. (۲۰۱۱). Pore pressure prediction from well logs: Methods, ...
  • Moradzadeh, A. , Maddahi, I. and Nejati Kalateh, A. (۲۰۲۰). ...
  • Wang, Z., & Wang, R. (۲۰۱۵). Pore pressure prediction using ...
  • Hottmann, C. E. and Johnson, R. K. (۱۹۶۵). Estimation of ...
  • Matthews, W. R. (۱۹۶۷). How to predict formation pressure and ...
  • Gardner, G. H. F., Gardner, L. W. and Gregory, A. ...
  • Eaton, B. A. (۱۹۷۶). Graphical method predicts geopressures worldwide. World ...
  • Bowers, G. L. (۱۹۹۵). Pore pressure estimation from velocity data: ...
  • [۱۳] Bowers, G. L. (۲۰۰۱). Determining an appropriate pore-pressure estimation ...
  • Dutta, N. C. (۲۰۰۲). Geopressure prediction using seismic data: Current ...
  • Azadpour, M. , & Shadmanaman, N. (۲۰۱۶). Overpressure Generation Mechanism ...
  • Mohammadi, M. , Soleimani, B. and Mahmoudian, M. (۲۰۱۸). Predicting ...
  • Farabi, A. F., Winardhie, I. S. and Wibowo, N. C. ...
  • Riahi, M. A. and Fakhari, M. G. (۲۰۲۲). Pore pressure ...
  • Nikanam Chenarestan-e Sofla, R. (۲۰۱۴). Estimation of petrophysical curves using ...
  • Zhang, Z., Zhang, H., Li, J., & Liu, Q. (۲۰۱۸). ...
  • Chatterjee, R., Mukherjee, A., & Paul, S. (۲۰۱۶). Pore pressure ...
  • Roy, A., Chatterjee, R., & Chakraborty, S. (۲۰۲۰). Machine learning-based ...
  • Gholami, A., Ansari, H. R., & Falahat, R. (۲۰۲۰). Seismic ...
  • Falahat, R., Gholami, A., & Ahmadi, M. (۲۰۲۱). Pore pressure ...
  • Azadpour, M., Shiri, M., & Falahat, R. (۲۰۲۲). Machine Learning-Based ...
  • Avarjani, Sh., Mahboubi, A. and Moussavi Harami, R. (۲۰۱۱). Microfacies, ...
  • Alipoor, R. (۲۰۱۷). Fractures analysis of the Asmari formation in ...
  • Asoodeh, M., & Bagheripour, P. (۲۰۱۳). Neuro-fuzzy reaping of shear ...
  • Russell, B. H. (۱۹۸۸). Introduction to seismic inversion methods (No. ...
  • Todorov, T., Stewart, R., Hampson, D., & Russell, B. (۱۹۹۸). ...
  • نمایش کامل مراجع