مقایسه روش های مختلف هوشمند در تخمین نمودارهای چاه پیمایی یکی از مخازن گازی ایران
عنوان دوره: پنجمین همایش ژئوفیزیک اکتشافی نفت
نویسندگان
گروه مهندسی نفت، دانشکده معدن، نفت و ژئوفیزیک دانشگاه صنعتی شاهرود
چکیده
وجود نمودارهای چاه پیمایی از سرشارترین و حیاتی ترین منابع اطلاعاتی توسعه مخازن در تمام طول عمر آن ها به حساب می آیند. بنا بر دلایلی همچون خطای انسانی، هزینه های بالا، شرایط عملیاتی میدان و یا عدم وجود نمودارهای ویژه در چاه های قدیمی تر میدان، امکان اینکه در تمامی چاه ها و یا همه اینتروال ها، یک نمودار در دسترس باشد وجود ندارد. بنابرین یافتن روش هایی کم هزینه و در عین حال دقیق برای تخمین نمودار مورد نظر اهمیت بسیاری دارد. در این مطالعه با استفاده از مجموعه نمودارهای موجود در بستر نرم افزار ژئولاگ، به مقایسه دو روش شبکه عصبی مصنوعی (ANN) و خوشه بندی چند تفکیکی بر پایه گراف (MRGC) در تخمین دو نمودار فتوالکتریک (PEF) و سرعت موج استونلی پرداخته شد. از 70 درصد داه ها برای آموزش مدل و 30 درصد برای صحت سنجی استفاده گردید. ضریب همبستگی (R2) نمودار تخمین زده شده با نمودار واقعی در روش های ANN و MRGC برای سرعت موج استونلی به ترتیب 96 و 98 درصد و نمودار PEF، 82 و 95 درصد بدست آمد که نشان دهنده عملکرد و کارایی بسیار دقیق روش MRGC در تخمین نمودارهای چاه می باشد.
کلیدواژه ها
 
Title
Comparison of different intelligent methods used to estimate Well Logs in one of Iranian Gas Fields
Authors
sajad pourjahani
Abstract
Well-logging is one of the most useful and vital sources of information for development of reservoirs throughout their life span. Access to well-logging for all wells or at all intervals is impossible mainly due to Human error, high costs, field operating conditions, or lack of access to special logs for older field wells. Therefore, low-cost and accurate methods play a vital role in estimation of logs. In the present study, a set of logs available in Geolog software were used to compare the performance of Artificial Neural Network (ANN) and multi-resolution graph-based clustering (MRGC) for estimating the photoelectric factor(PEF) and Stoneley wave velocity plots. 70% and 30% of data were used for model training and validation, respectively. Correlation coefficient (R2) of the Stoneley wave velocity estimated based on reality log was respectively 96 and 98% in ANN and MRGC methods and 82 and 95% based on PEF log. The results show the preference and high accuracy of the MRGC method for estimating of well plots.
Keywords
Artificial neural network(ANN), Multi-Resolution Graph-based Clustering, Stoneley wave