شناسایی و تفسیر رخساره‌های الکتریکی و استفاده از آن جهت پیش‌بینی رخساره‌های رسوبی، در مخزن آسماری یکی از میادین نفتی جنوب‌غرب ایران

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشگاه شهید چمران اهواز

2 مناطق نفت خیز جنوب

چکیده

یکی از اجزای مهم در سرشتنمایی مخزن تهیه نقش از توزیع خصوصیات و ناماهمون مخزنی است.در مخازن کربناته به دلیل عدم پیچیدگی و عدماهمیت بالا توزیع تخلخل و تراوایی متغیر و نامشخص است. همین استفاده از روشهای جدید برای درک بهتر این مخازن الزامی است. از طریق این روشها تعیین و استفاده از رخسارههای الکتریکی (رخساره لاگ) هرگز یکی از مهمترین روشها در مباحث تولید مخلوط هیدروکربنی و توسعه میادین می باشد. به همین دلیل در این مطالعه ، با استفاده از روش شبکه عصبی خودسازمانده ( SOM)) رخسارههای الکتریکی سازند آسماری در یکی از میادین نفتی جنوبغرب ایران تعیین کرد. این تصادفات لاگ از نظر کیفیت مخلوط به ترتیب بسیار خوب تا ضعیف به صورت ، رخسارههای لاگ 1 و 5 با بهترین کیفیت مخلوط ، رخسارههای 2 و 6 با کیفیت مخلوط خوب ، رخساره 3 باکیفیت مخلوط متوسط ​​و رخسارههای 4 و 7 با کیفیت مخزن بد یا بدون کیفیت مخلوط مرتبهبندی شد.جهت برخورد تصادفات الکتریکی و ارتباط دادن فابریک سنگهای کربناته و ماسه زنگی با توزیع اندازه فضاهای خالی و خصوصیات پتروفیزیکی رخ داده است ، مطالعات پتروگرافی در چند حلقه چطور صورت پذیرفت. به طور کلی تصادفات الکتریکی مشخص شده است در این مطالعه با داده های پتروگرافی ارتباط بسیار خوبی نشان داد ، در نتیجه با توجه به نتایج خوب انطباق مدل موجود در این مطالعه با واقعیت ، تصادفات الکتریکی در حکم جانشین برای رخ دادن رسوبی ساخته شده و به تمام چاه های میدان تعمیم داده شد.

کلیدواژه‌ها


پورامینی بزنجانی،س.،آدابی،م. ح.، 1392، تاثیر دیاژنز بر کیفیت مخزنی سازند کنگان در میدان لاوان، خلیج فارس،مجله زمین شناسی کاربردی پیشرفته، شماره10، ص 33-47.
ذاکری،م.،موسوی حرمی،س. ر.، خانه­باد،م.، صابری، ا.، 1393، رخساره­ها، دیاژنز و کیفیت مخزنی سازند سروک در میدان نفتی کوپال، در جنوب غرب ایران،مجله زمین شناسی کاربردی پیشرفته، شماره14، ص 46-59.
میرزا قلی­پور، ع.، حقی، ع.، 1369، مطالعه زمین­شناسی میدان نفتی مارون، گزارش شماره پ-4210، اداره کل زمین­شناسی گسترشی، شرکت ملی مناطق نفتخیز جنوب، 55ص.
Ahr, W. M., 2011, Geology of carbonate reservoirs: the identification, description and characterization of hydrocarbon reservoirs in carbonate rocks: John Wiley & Sons.
Astel, A., S. Tsakovski, P. Barbieri, and V. Simeonov, 2007, Comparison of self-organizing maps classification approach with cluster and principal components analysis for large environmental data sets: Water Research, v. 41, no. 19, p. 4566–4578.
Baldwin, J. L., R. M. Bateman, and C. L. Wheatley, 1990, Application of a neural network to the problem of mineral identification from well logs: The Log Analyst, v. 31, no. 05.
Baouche, R., A. Nedjari, and R. Chaouchi, 2009, Analysis and interpretation of environment sequence models in Hassi R’Mel Field in Algeria.
Bourquin, S., C. Boehm, J. Clermonté, M. Durand, and O. Serra, 1993, Analyse faciologique et séquentielle du Trias du centre-ouest du Bassin de Paris à partir des données diagraphiques: Bull. Soc. Géol. Fr, v. 2, p. 177–188.
Busch, J. M., W. G. Fortney, and L. N. Berry, 1987, Determination of lithology from well logs by statistical analysis: SPE Formation Evaluation, v. 2, no. 04, p. 412–418.
Flügel, E., 2004, Microfacies of carbonate rocks: analysis, interpretation and application: Springer.
Francesconi, A., F. Bigoni, P. Balossino, N. Bona, F. Marchini, and M. Cozzi, 2009, Reservoir Rock Types Application-Kashagan, in SPE/EAGE Reservoir Characterization & Simulation Conference.
Ilkhchi, A. K., M. Rezaee, and S. A. Moallemi, 2006, A fuzzy logic approach for estimation of permeability and rock type from conventional well log data: an example from the Kangan reservoir in the Iran Offshore Gas Field: Journal of Geophysics and Engineering, v. 3, no. 4, p. 356.
Kohonen, T., 1972, Correlation matrix memories: Computers, IEEE Transactions on, v. 100, no. 4, p. 353–359.
Lee, S. H., and A. Datta-Gupta, 1999, Electrofacies characterization and permeability predictions in carbonate reservoirs: Role of multivariate analysis and nonparametric regression, in SPE annual technical conference: p. 409–421.
Lennon, R. B., 1976, Geological factors in steam-soak projects on the west side of the San Joaquin basin: Journal of Petroleum Technology, v. 28, no. 07, p. 741–748.
Lim, J.-S., J. M. Kang, and J. Kim, 1997, Multivariate statistical analysis for automatic electrofacies determination from well log measurements, in Asia Pacific oil & gas conference & exhibition: p. 109–113.
Loo, A. H. B., H. T. W. Tan, P. P. Kumar, and L. G. Saw, 2001, Intraspecific variation in Licuala glabra Griff.(Palmae) in Peninsular Malaysia–a morphometric analysis: Biological Journal of the Linnean Society, v. 72, no. 1, p. 115–128.
Lucia, F. J., 1995, Rock-fabric/petrophysical classification of carbonate pore space for reservoir characterization: AAPG bulletin, v. 79, no. 9, p. 1275–1300.
Mathis, B., J. P. Leduc, and T. Vandenabeele, 2003, From the Geologists’ Eyes to Synthetic Core Descriptions: Geological Log Modeling Using Well-Log Data.
Mukherjee, A., 1997, Self-organizing neural network for identification of natural modes: Journal of Computing in Civil Engineering, v. 11, no. 1, p. 74–77.
Mwenifumbo, C. J., and J. P. Blangy, 1991, 30. SHORT-TERM SPECTRAL ANALYSIS OF DOWNHOLE LOGGING MEASUREMENTS FROM SITE 7041.
Pirson, S. J., 1970, Geologic well log analysis: Gulf Pub. Co.(Houston).
Qi, L., and T. R. Carr, 2006, Neural network prediction of carbonate lithofacies from well logs, Big Bow and Sand Arroyo Creek fields, Southwest Kansas: Computers & geosciences, v. 32, no. 7, p. 947–964.
Rahimpour‐Bonab, H., A. Asadi‐Eskandar, and R. Sonei, 2009, Effects of the PermianTriassic boundary on reservoir characteristics of the South Pars gas field, Persian Gulf: Geological journal, v. 44, no. 3, p. 341364.
Rogers, S. J., J. H. Fang, C. L. Karr, and D. A. Stanley, 1992, Determination of Lithology from Well Logs Using a Neural Network (1): AAPG bulletin, v. 76, no. 5, p. 731–739.
Serra, O., 1986, Fundamentals of well-log interpretation (v. 2), the interpretation of logging data: Pau, France, Elf-Aquitaine or Amsterdam: Elsevier.
Sharma, P., G. Mamgain, V. K. Bahuguna, and C. Lal, n.d., Improved Permeability Estimates in Carbonate Reservoirs Using Electrofacies Characterization: A Case Study of Mumbai High South.
Stinco, L. P., 2006, Core and log data integration. The key for determining electrofacies, in SPWLA 47th Annual Logging Symposium: Society of Petrophysicists and Well-Log Analysts.
Tavakoli, V., and A. Amini, 2006, Application of Multivariate Cluster Analysis in Logfacies Determination and Reservoir Zonation, Case Study of Marun Field, South of Iran: Journal of Science University of Teheran, v. 32, no. 2, p. 69–75.
Wolf, M., and J. Pelissier-Combescure, 1982, Faciolog-automatic electrofacies determination, in SPWLA 23rd Annual Logging Symposium: Society of Petrophysicists and Well-Log Analysts.
ZOU, C., S. TAO, H. Zhou, X. ZHANG, D. HE, C. ZHOU, L. WANG, X. WANG, F. LI, and R. ZHU, 2008, Genesis, classification, and evaluation method of diagenetic facies: Petroleum Exploration and Development, v. 35, no. 5, p. 526–540.