مدل سازی رخساره ای مخزن باترکیب الگوریتم ازدحام ذرات و شبیه سازی شاخصی متوالی
عنوان دوره: نوزدهمین کنفرانس ژئوفیزیک ایران
نویسندگان
1انستیتو نفت - دانشکده فنی - دانشگاه تهران - تهران - ایران
2انستیتو مهندسی نفت-دانشگاه تهران
چکیده
مدل سازی توزیع فضایی خواص زمین شناسی و پتروفیزیکی مخازن هیدروکربوری در توصیف و پیش بینی نحوه عملکرد آن، نقش حیاتی دارد. ساخت مدل های نزدیک به واقعیت مخزن، نیازمند تلفیق منابع مختلف اطلاعاتی از قبیل داده های زمین شناسی، لرزه ای و مهندسی در فرآیند مدل سازی مخزن به روشی بهینه است. در این پژوهش، یک روش نوین جهت ساخت و به روزرسانی مدل های رخساره ای مخزن به کمک نگارهای چاه و داده های لرزه ای دوبعدی/سه بعدی، پیشنهاد شده است. روش پیشنهادی بر مبنای ترکیبی از الگوریتم بهینه سازی ازدحام ذرات و تکنیک زمین آماری شبیه سازی شاخصی متوالی، می باشد. بررسی کمی و کیفی نتایج حاصل بر روی یک مدل مصنوعی سه یعدی نشان داد به کارگیری روش پیشنهادی، منتج به ساخت مدل های رخساره ای شده است که نسبت به روش های سنتی زمین آماری، با یک افزایش 13درصدی (در میانگین) در تطابق با مدل رخساره ای مرجع، همراه بود.
کلیدواژه ها
 
Title
Reservoir lithofacies modeling based on the combination of the Particle Swarm Optimization and Sequential Indicator Simulation
Authors
mohamadrezashad shad salanghouch, Mohammad Emami Niri
Abstract
Modeling the spatial distribution of reservoir geological and petrophysical properties plays a vital role in characterizing and forecasting its performance. Building meaningful reservoir models is an outcome of the integration of various sources of information such as geological, engineering, and seismic data in the modeling process in an optimal manner. In this study, a new method is proposed for generating and updating the reservoir lithofacies models using well and seismic data. The proposed method is a combination of the Particle Swarm Optimization (PSO) and the Sequential Indicator Simulation (SIS) geostatistical technique. Quantitative and qualitative analysis of the obtained results on a 3D synthetic model demonstrated that the use of the proposed method led to the construction of the reservoir lithofacies models with an increase of 13% (on average) in accordance with the reference lithofacies model compared to the conventional geostatistical approaches.
Keywords
Lithofacies modeling, seismic data, Optimization, geostatistics, Particle swarm optimization, Sequential Indicator Simulation