خوشه‌بندی خصوصیات مخزن جهت تشخیص نوع سنگ با استفاده از روش کی-میانگین در یکی از میادین نفتی جنوب غرب ایران

نوع مقاله : مقاله پژوهشی

نویسندگان

1 مهندسی صنایع/ دانشکده مهندسی صنایع/ دانشگاه ایوانکی

2 دانشکده‌ی مهندسی صنایع، مهندسی صنایع، دانشگاه ایوانکی

3 دانشکده‌ی علوم، زمین‌شناسی، دانشگاه اصفهان

4 مهندس ارشد پتروفیزیک / شرکت ملی مناطق نفت خیز جنوب

چکیده

تعیین گونه ­های سنگ در ساخت مدل استاتیک و پویای مخازن هیدروکربنی از اهمیت ویژه ­ای برخوردار می ­باشد. تخمین دقیق خواص سنگ ­های مخزنی، باعث افزایش دقت و صحت در پیش ­بینی میزان ذخیره مخزن و عملکرد آن می­شود. تاکنون مدل­ های متعددی برای تعیین گونه­ های سنگ­های مخزن توسط متخصصین پیشنهادشده است؛ اما اکثر مدل ­های پیشنهادی بر اساس روش ­های متداول مدل محور مهندسی و زمین­ شناسی سنگ ­های مخزنی کربناته استوار بوده است. بنابراین استفاده از یک روش یادگیری ماشین برای تعیین گونه­ های سنگی در مقایسه با روش­ های پیشین و مقایسه کارایی و عملکرد آن با سایر روش­ها ضروری به نظر می­رسد. در این مطالعه داده­ های مغزه و لاگ در مخزن نفتی مارون پس از آماده­سازی، با استفاده از تکنیک سری‌های زمانی پویا (DTW) هم عمق سازی شده­اند. سپس داده ­های مغزه توسط روش­ یادگیری ماشین غیر نظارتی کی-میانگین خوشه­ بندی شدند. همچنین فرآیند خوشه ­بندی داده­ های مغزه توسط روش ­های متداول مدل محور از قبیل روش شاخص منطقه جریانی (FZI) و وینلند نیز انجام گردید. در ادامه نتایج خوشه ­بندی با استفاده از روش­­های کی-میانگین، شاخص منطقه جریانی و وینلند با در اختیار داشتن اطلاعات لیتولوژی لاگ ­ها صحت سنجی شده و با یکدیگر مقایسه شده است. روش کی-میانگین با معیار صحت­ سنجی 93.5 درصد، موفق به انجام بیشترین تفکیک ­پذیری خوشه­ ها شد که نشان داد روش یادگیری ماشین مبتنی بر داده کی-میانگین، جایگزین مناسبی برای روش ­های متداول مدل محور برای خوشه­ بندی گونه ­های سنگی می­ باشند.

کلیدواژه‌ها

عنوان مقاله [English]

Reservoir Characterization Clustering Analysis to Identify Rock Type Using KMEANS Method in South West Iranian Oil Field

نویسندگان [English]

  • abbas salahshoor 1
  • Ahmad Gaeini 2
  • alireza shahin 3
  • mossayeb kamari 4
1 industrial engineering faculty /eyvanaki univercity/iran
2 Faculty of Industrial Eng., Industrial Engineering, Eyvanaki University
3 Faculty of Science., Geology, Isfahan University
4 Senior petrophysics engineer/National Iranian South Oil Company
چکیده [English]

Determination of rock types is of special importance in the construction of static and dynamic models of hydrocarbon reservoirs. Estimating the properties of reservoir rocks increases the accuracy in predicting the amount of reservoir storage and its performance. Numerous models have been proposed by experts to determine the types of reservoir rocks. But most of the proposed models are based on conventional methods based on engineering and geology of carbonate reservoir rocks. Therefore, using a machine learning method to determine rock species in comparison with previous methods and comparing its efficiency and performance with other methods seems necessary. In this study, core and log data in maroon oil reservoir after preparation were match using Dynamic Time Series (DTW) technique for depth matching. The brain data were then clustered by the non-supervised machine learning method. The kernel data clustering process was also performed by conventional model-based methods such as flow zone index method (FZI) and Winland. Then, the clustering results were validated and compared with kmeans, FZI and Winland methods by having the lithology information of the logs. The kmeans method with a 93.5% accuracy criterion succeeded in performing the highest cluster resolution, which showed that the kmeans data-based machine learning method is a suitable alternative to conventional model-based methods for clustering rock typing.

کلیدواژه‌ها [English]

  • clustering
  • reservoir
  • rock type
  • well log
  • depth matching
  • core

مراجع

Lucia, F., Martin, A.J., Solomon, S.T., Hartmann, D.J. (1999). Characterization of petrophysical flow units in carbonate reservoirs: Discussion, AAPG bulletin, Vol. 83, No. 7, pp. 1161-1163 .
Potter, G. (2010). Core analysis uncertainly and rock typing, in SPWLA Carbonate Workshop, Abu Dhabi.
Merandy, p., Muhammad, N. (2016). An Analysis of Rock Typing Methods in Carbonate Rocks for Better Carbonate Reservoir Characterization: A Case Study of Minahaki Carbonate Formation, Banggai Sula Basin, Central Sulawesi, 41th Scientific Annual Meeting of Indonesian Association of Geophysicists, Lampung, Indonesia, pp. 68-82 .
Garcia, A. (2020). Automatic Depth Matching for Petrophysical Borehole Logs. Delft University of Technology, Delf, MA.
Aggarwal, C. C. & Reddy, C. K. (eds.) (2014). Data Clustering: Algorithms and Applications. CRC Press.
Ayyadevara, V. K. (2018). Pro Machine Learning Algorithms: A Hands-On Approach to Implementing Algorithms in Python and R. In Apress.
Lakhmi C. Jain. (2016). Foundations and Methods in Combinatorial and Statistical Data Analysis and Clustering, Fourth Edition, Springer Press.
Wang, J. (2003). Data Mining: Opportunities and Challenges, USA Montclair, IRM Press.
Al Kattan, W., AL Jawad, S. N., & Jomaah, H. (2018). Cluster Analysis Approach to Identify Rock Type in Tertiary Reservoir of Khabaz Oil Field Case Study, Iraqi Journal of Chemical and Petroleum Engineering, Vol. 19, No. 2, pp. 9-13.
Ali, A., Sheng-Chang, C. (2020). Characterization of well logs using K-mean cluster analysis. Journal of Petroleum Exploration and Production Technology, Springer, Vol. 10, No. 6, pp. 2245-2256.
Rebelle, M., Lalanne, B. (2014). Rock-typing in carbonates: A critical review of clustering methods, Society of Petroleum Engineers - 30th Abu Dhabi International Petroleum Exhibition and Conference, Abu Dhabi, UAE.
Mirzaei, A., Asadolahpour, S. R., Saboorian-Jooybari, H. (2020). A new framework for selection of representative samples for special core analysis, Petroleum Research Publishing Services by Elsevier, Vol. 5, No. 3, pp 210-226.
Guo, G., Diaz, M. A., Paz, F., Smalley, J., & Waninger, E. A. (2007). Rock typing as an effective tool for permeability and water-saturation modeling: A case study in a clastic reservoir in the Oriente basin, SPE Reservoir Evaluation and Engineering, Vol. 10, No. 6. https://doi.org/10.2118/97033-pa.
Amiri Bakhtiyar, H., A. Telmadarreie, M. Shayesteh, M. H. Heidari Fard, H. Talebi, and Z. Shirband. (2018). Estimating Total Organic Carbon Content and Source Rock Evaluation, Applying ΔlogR and Neural Network Methods: Ahwaz and Marun Oilfields SW of Iran. Petroleum Science and Technology, Vol. 29, No. 16, pp 1691–1704. https://doi.org/10.1080/10916461003620495.
قربان پور، ح؛ (1386)، افزایش دقت ارزیابی‌های پتروفیزیکی با استفاده از کالیبراسیون داده‌های نمودارهای پتروفیزیکی با مغزه در یکی از میادین شرکت نفت مناطق مرکزی ایران، پایان‌نامه کارشناسی ارشد. 
ذیفن، م؛ (1398)، تعیین واحدهای جریانی هیدرولیکی و دسته‌بندی نوع سنگ در مخازن نفتی با استفاده از داده‌کاوی (مطالعه موردی: یکی از مخازن نفتی جنوب غربی ایران). ماهنامه علمی اکتشاف و تولید نفت و گاز، شماره 173 ، صفحات 44-50. 
سپهری، ق؛ زینالی، م؛ (1396). تعیین الکتروفاسیس‌های مخزن A در یکی از میادین نفتی ایران با استفاده از روش MRGC ،ماهنامه علمی اکتشاف و تولید نفت و گاز، شماره 149 ، صفحات 44-48.
میرزا قلی پور، علی؛ حقی، عبدالحمید (1369). مطالعه زمین شناسی میدان نفتی مارون، گزارش شماره پ-4210 ، اداره کل زمین شناسی گسترشی، شرکت ملی مناطق نفتخیز جنوب، ص 55.
سراج ، م.، (1384). تحلیل ساختارى مقدماتى میادین نفتى مناطق نفتخیز جنوب (محدوده فروافتادگى دزفول شمالى)، گزارش شماره پ-5613 ، شرکت ملى مناطق نفتخیز جنوب.
 
نشریه علمی ژئومکانیک نفت
دوره 4، شماره 2
دی 1400
صفحه 35-47

فایل ها

هم رسانی

ارجاع به این مقاله

آمار