پیاده سازی الگوریتم بهینه سازی آموزش و یادگیری برای تخمین سرعت امواج برشی از داده های چاه نگاری در دو مطالعه موردی ماسه سنگی و کربناته

نوع مقاله : مقاله پژوهشی

نویسندگان

1 انستیتو مهندسی نفت . دانشکده فنی دانشگاه تهران

2 عضو هیئت علمی- انستیتو مهندسی نفت- دانشگاه تهران

چکیده

سرعت امواج لرزه ­ای تراکمی و برشی در کنار داده ­های پتروفیزیکی اطلاعات ارزشمندی را در مراحل اکتشاف و توسعه میادین نفتی فراهم می‌کنند. برخلاف سرعت امواج تراکمی که در اکثر مواقع توسط ابزار نمودارگیری سونیک اندازه‌گیری می‌شود، نمودار سرعت امواج برشی به علت هزینه‌ی بالا تنها در تعداد محدودی از چاه­های یک میدان برداشت و ثبت می­گردد. بنابراین بایستی سرعت این امواج را با استفاده از روش‌های دیگری تخمین زد. روابط تجربی متعددی ارائه‌ شده است که سرعت امواج برشی را به پارامترهای پتروفیزیکی و اندازه‌گیری‌های چاه ­نگاری مربوط می‌کنند که معمولاً کارائی موردی دارند. یکی از روش‌های کارآمد برای پیش ­بینی سرعت امواج برشی، استفاده از سیستم‌های هوشمند است. در این مقاله علاوه بر استفاده از روش تجربی گرینبرگ-کاستاگنا، از الگوریتم بهینه‌سازی مبتنی بر آموزش و یادگیری برای ساخت یک مدل خطی و یک مدل غیرخطی برای پیش ­بینی سرعت امواج برشی در یک سازند مخزنی ماسه‌سنگی در یکی از میادین فراساحلی واقع در استرالیای غربی و یک سازند مخزنی کربناته در یکی از میادین خشکی واقع در جنوب غرب ایران استفاده ‌شده است. مقدار خطا و ضریب همبستگی نتایج به دست آمده از الگوریتم بهینه­ سازی مبتنی بر آموزش و یادگیری نشان ­دهنده کارائی مطلوب این الگوریتم است. نتایج مدل خطی و غیر خطی ساخته ­شده به هم نزدیک است با این تفاوت که مدل خطی در مدت زمان کمتری اجرا می­شود. مدل خطی این الگوریتم با خطای 3/2 درصدی و ضریب همبستگی 82/0 در سازند ماسه سنگی و خطای 3/3 درصدی و ضریب همبستگی 95/0 در سازند کربناته، عملکرد مناسبی در هر دو مطالعه موردی داشته و می­تواند به عنوان روشی کارآمد برای تخمین سرعت موج برشی استفاده گردد.

کلیدواژه‌ها

عنوان مقاله [English]

Implementing the teaching-learning based optimization algorithm to predict shear wave velocity from well logs in sandstone and carbonate case studies

نویسندگان [English]

  • Rasool Amiri Kolajoobi 1
  • Mohammad Emami Niri 2
1 Institute of petroleum engineering. College of engineering. University of tehran
2 Assistant Professor, Institute of Petroleum Engineering, College of Engineering, University of Tehran
چکیده [English]

Seismic wave velocity along with petrophysical data provide valuable information at the exploration and development phases of oil and gas fields. The compressional-wave velocity (Vp) is acquired using conventional acoustic logging tools in many drilled well. But the shear-wave velocity (Vs) is recorded using advanced logging tools only in limited number of wells, mainly because of the high operational costs. So, alternative methods are often used to estimate Vs. Heretofore, several empirical correlations which predict Vs by using well logging measurements and petrophysical data are proposed. But these empirical relations can only be used in limited cases. The use of intelligent systems is an efficient approach for predicting Vs. In this study, in addition to the modified Greenberg-Castagna method, we used the teaching-learning based optimization (TLBO) algorithm to make linear and nonlinear models for predicting Vs. This algorithm is used to make prediction in a sandstone formation from an offshore oil field located at Western Australia and a carbonate formation from an onshore oil filed located at south west of Iran. We compared the estimated Vs values using TLBO algorithm with observed Vs and also with those predicted by modified Greenberg-Castagna relation. The results are showing the algorithm efficiency. The results of linear and nonlinear models are also very close together, but the difference is that the linear model is faster than the nonlinear model and is preferred for predicting Vs. Using the linear model shows that for the sandstone formation the error percent is 2.3 and the regression coefficient is 0.82 and these values are 3.3 percent and 0.95 for the carbonate formation respectively. These values show that the linear model of TLBO algorithm can be used as an efficient way to predict Vs.

کلیدواژه‌ها [English]

  • Compressional wave velocity
  • Shear wave velocity
  • petrophysical properties
  • Empirical relationships
  • intelligent systems
  • Optimization algorithm

مراجع

Ameen, M. S., Smart, B. G., Somerville, J. M., Hammilton, S., & Naji, N. A. (2009). Predicting rock mechanical properties of carbonates from wireline logs (A case study: Arab-D reservoir, Ghawar field, Saudi Arabia).
Marine and Petroleum Geology, 26(4), 430-444.
Anifowose, F., & Abdulraheem, A. (2011). Fuzzy logic-driven and SVM-driven hybrid computational intelligence models applied to oil and gas reservoir characterization. Journal of Natural Gas Science and Engineering, 3(3), 505-517.
Asoodeh, M., & Bagheripour, P. (2012). Prediction of compressional, shear, and stoneley wave velocities from conventional well log data using a committee machine with intelligent systems. Rock mechanics and rock engineering, 45(1), 45-63.
Avseth, P., Mukerji, T., & Mavko, G. (2005). Quantitative Seismic Interpretation. United States of America: Cambridge University Press.
Bagheripour, P., Gholami, A., Asoodeh, M., & Vaezzadeh-Asadi, M. (2015). Support vector regression based determination of shear wave velocity. Journal of Petroleum Science and Engineering, 125, 95-99.
Bastos, A., Dillon, L., Vasquez, G., & Soares, J. (1998). Core-derived acoustic, porosity & permeability correlations for computation pseudo-logs. Geological Society, London, Special Publications, 136(1), 141-146.
Bhatt, A., & Helle, H. B. (2002). Committee neural networks for porosity and permeability prediction from well logs. Geophysical prospecting, 50(6), 645-660.
Brocher, T. M. (2005). Empirical relations between elastic wavespeeds and density in the Earth's crust. Bulletin of the Seismological Society of America, 95(6), 2081-2092.
Castagna, J., Batzle, M., & Kan, T. (1993). Rock physics—The link between rock properties and AVO response. Offsetdependent reflectivity—Theory and practice of AVO analysis: SEG, 8, 135-171.
Castagna, J. P., Batzle, M. L., & Eastwood, R. L. (1985). Relationships between compressional-wave and shear-wave velocities in clastic silicate rocks. Geophysics, 50(4), 571-581.
Duffaut, K., & Landrø, M. (2007). V p∕ V s ratio versus differential stress and rock consolidation—A comparison between rock models and time-lapse AVO data. Geophysics, 72(5), C81-C94.
Eskandari, H., Rezaee, M., & Mohammadnia, M. (2004). Application of multiple regression and artificial neural network techniques to predict shear wave velocity from wireline log data for a carbonate reservoir SouthWest Iran. CSEG recorder, 42, 48.
Gassmann, F. (1951). Uber die elastizitat poroser medien: Vier Der Natur Gesellschaft, 96, 1–23. Google Scholar.
Greenberg, M., & Castagna, J. (1992). SHEAR‐WAVE VELOCITY ESTIMATION IN POROUS ROCKS: THEORETICAL FORMULATION, PRELIMINARY VERIFICATION AND APPLICATIONS1. Geophysical prospecting, 40(2), 195-209.
Hosseinpour, H., Niknam, T., & Taheri, S. (2011). A modified TLBO algorithm for placement of AVRs considering DGs. Paper presented at the 26th International Power System Conference, 31st October–2nd November, Tehran, Iran.
Huang, Y., Gedeon, T. D., & Wong, P. M. (2001). An integrated neural-fuzzy-genetic-algorithm using hyper-surface membership functions to predict permeability in petroleum reservoirs. Engineering Applications of Artificial Intelligence, 14(1), 15-21.
Kadkhodaie-Ilkhchi, A. (2015). A systematic approach for estimation of reservoir rock properties using Ant Colony Optimization. Geopersia, 5(1), 7-17. 
Maleki, S., Moradzadeh, A., Riabi, R. G., Gholami, R., & Sadeghzadeh, F. (2014). Prediction of shear wave velocity using empirical correlations and artificial intelligence methods. NRIAG Journal of Astronomy and Geophysics, 3(1), 70-81.
Mavko, G., Mukerji, T., & Dvorkin, J. (2009). The rock physics handbook: Tools for seismic analysis of porous media: Cambridge university press.
Moatazedian, I., Rahimpour-Bonab, H., Kadkhodaie-Ilkhchi, A., & Rajoli, M. (2011). Prediction of shear and Compressional Wave Velocities from petrophysical data utilizing genetic algorithms technique: A case study in Hendijan and Abuzar fields located in Persian Gulf. Geopersia, 1(1), 1-17.
Mohammadi, H., & Rahmannejad, R. (2010). The estimation of rock mass deformation modulus using regression and artificial neural networks analysis. Arabian Journal for Science and Engineering, 35(1), 205.
Rajabi, M., Bohloli, B., & Ahangar, E. G. (2010). Intelligent approaches for prediction of compressional, shear and Stoneley wave velocities from conventional well log data: A case study from the Sarvak carbonate reservoir in the Abadan Plain (Southwestern Iran). Computers & Geosciences, 36(5), 647-664.
Rao, R. V., Savsani, V. J., & Vakharia, D. (2011). Teaching–learning-based optimization: a novel method for constrained mechanical design optimization problems. Computer-Aided Design, 43(3), 303-315.
Rasolofosaon, P., Lucet, N., & Zinszner, B. (2008). Petroacoustics of carbonate reservoir rocks. The Leading Edge, 27(8), 1034-1039.
Wilkens, R., Simmons, G., & Caruso, L. (1984). The ratio V P/V S as a discriminant of composition for siliceous limestones. Geophysics, 49(11), 1850-1860.
Yasar, E., & Erdogan, Y. (2004). Correlating sound velocity with the density, compressive strength and Young's modulus of carbonate rocks. International Journal of Rock Mechanics and Mining Sciences, 41(5), 871-875.
نشریه علمی ژئومکانیک نفت
دوره 1، شماره 2
دی 1396
صفحه 86-99

فایل ها

هم رسانی

ارجاع به این مقاله

آمار