مدل سازی سه بعدی مخزن با استفاده از رگرسیون بردار پشتیبان با داده های لرزه ای و نشانگرها
عنوان دوره: نوزدهمین کنفرانس ژئوفیزیک ایران
نویسندگان
1دانش آموخته کارشناسی ارشد ژئوفیزیک دانشگاه تهران
2استادیار گروه فیزیک زمین
3استاد گروه فیزیک زمین، موسسه ژئوفیزیک دانشکاه تهران
چکیده
یکی از مهمترین مشخصه های مخزنی برای ساخت یک مدل زمین شناسی سه بعدی تخلخل می باشد. بهترین راه برای به‌دست آوردن آن اندازه گیری در آزمایشگاه است. به هر حال این روش هزینه بر و طولانی است. اطلاعات مربوط به نگار چاه و مغزه گیری اندازه گیری های محلی هستند که بازگو کننده رفتار مخزن به عنوان یک کل نیستند. به علاوه اطلاعات چاه نگاری تمام مساحت میدان را پوشش نمی دهد در حالی که اطلاعات لرزه ای سه بعدی مساحت بزرگتری را پوشش می دهد. رویکرد های تجربی بسیاری برای پیش بینی این خواص مخزنی مثل رگرسیون چندگانه خطی/ غیر خطی در معرفی شده است. در این تحقیق رگرسیون بردار پشتیبان با استفاده از نگارهای های چاه، داده های لرزه ای و نشانگرهای آن برای مدل سازی سه بعدی تخلخل به کار گرفته شده است. توسط مدل ایجاد شده، تخلخل به صورت سه بعدی بدست آمد. در مرحله آموزش ضریب همبستگی بالایی بین تخلخل واقعی و تخمین زده شده در محل چاه تست حاصل شده است. بنابراین، می توان نتیجه گرفت که این روش قدرتمندی برای شبیه سازی سه بعدی تخلخل مخازن هیدروکربنی می باشد.
کلیدواژه ها
 
Title
Using support vector regression for 3D reservoir modeling by seismic data and attributes
Authors
Mehdi Rafiee, Majid Bagheri, Majid Nabi Bidhendi
Abstract
One of the most important reservoir characteristics for building a three-dimensional geological model is porosity. The best way to get it is to measure it in a lab. However, this method is expensive and time consuming. Information on well mapping and brainstorming are local measurements that do not reflect the behavior of the reservoir as a whole. In addition, well mapping information does not cover the entire area of the field, while 3D seismic information covers a larger area. Many experimental approaches have been proposed to predict these reservoir properties, such as multiple linear / nonlinear regression. In this study, support vector regression was used using well drawings, seismic data and its markers for three-dimensional porosity modeling. By the created model, the porosity was obtained in three dimensions. In the training phase, a high correlation coefficient is obtained between the actual porosity and the estimated location of the test well. Therefore, it can be concluded that this is a powerful method for simulating the three-dimensional porosity of hydrocarbon reservoirs.
Keywords
Support vector regression, Porosity, seismic data, seismic attributes, well logs