تخمین پارامترهای مخزنی با استفاده از داده های چاه پیمایی و بهره گیری از ترکیب شبکه عصبی مصنوعی و الگوریتم بهینه سازی ازدحام ذرات

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشگاه شهید چمران اهواز

2 کارشناس مطالعات پتروفیزیک و مخزن شرکت ملی حفاری ایران

3 شرکت پتروپارس

چکیده

پارامترهای ژئومکانیکی و پتروفیزیکی مخزن همانند سرعت موج برشی، تخلخل و تراوایی از جمله پارامترهای مهمی هستند که در شبیه‌سازی مخازن هیدروکربوری و استراتژی‌های اکتشافی نقش موثری ایفا می کنند. اخیراً روش‌های هوش مصنوعی به‌منظور پیش‌بینی این پارامترها با استفاده از داده‌های چاه پیمایی به‌کاربرده شده‌اند. بااین‌حال پیش‌بینی ویژگی‌های مخازن ناهمگن همواره با دشوارهای بسیاری همراه است و به‌سختی پاسخ مناسبی به‌دست‌آمده است. در این مطالعه تلاش شده است تا پارامترهای مخزنی سرعت موج برشی، تخلخل و تراوایی با استفاده از روش نوین ترکیب شبکه عصبی مصنوعی و الگوریتم بهینه سازی ازدحام ذرات (PSO-ANN)، در مخزن هتروژن آسماری میدان منصوری تخمین زده شود. سپس عملکرد این مدل ترکیبی با روش های کلاسیک و مرسوم شبکه عصبی مصنوعی (ANN) و سیستم تطبیقی استنتاج نروفازی (ANFIS) و همچنین روش ترکیب شبکه عصبی مصنوعی و الگوریتم ژنتیک (GA-ANN) مورد مقایسه قرار گرفته است. نتایج نشان دهنده عملکرد بسیار مناسب روش ترکیبی شبکه عصبی مصنوعی و الگوریتم بهینه سازی ازدحام ذرات در تخمین پارامترهای مخزنی است. بنابراین می توان از مدل ترکیبی شبکه عصبی مصنوعی و الگوریتم بهینه سازی ازدحام ذرات به عنوان یک روش قدرتمند در تخمین سایر پارامترهای مخزنی به خصوص در مواقعی که دقت بالای پیش بینی لازم باشد استفاده نمود.

کلیدواژه‌ها


Anselmetti, F.S., Eberli, G.P., 1993. Controls on sonic velocity in carbonates. Pure and Applied Geophysics 141(2–4), 287–323.
Bastos, A.C., Dillon, L.D., Vasquez, G.F., Soares, J.A., 1998. Core-derived acoustic, porosity & permeability correlations for computation pseudo-logs. Geological Society, London, Special Publications, 136(1), 141–146.
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.
Chau, K.W., 2007. Application of a PSO-based neural network in analysis of outcomes of construction claims. Automation in Construction 16(5), 642–646.
Dhanarajan, G., Mandal, M., Sen, R., 2014. A combined artificial neural network modeling–particle swarm optimization strategy for improved production of marine bacterial lipopeptide from food waste. Biochemical Engineering Journal 84, 59–65.
Domenico, S.N., 1984. Rock lithology and porosity determination from shear and compressional wave velocity. Geophysics 49(8), 1188–1195.
Eberhart-Phillips, D., Han, D.H., Zoback, M.D., 1989. Empirical relationships among seismic velocity, effective pressure, porosity, and clay content in sandstone. Geophysics 54(1), 82–89.
Eberhart, R.C., Kennedy, J., 1995. A new optimizer using particle swarm theory. In Proceedings of the sixth international symposium on micro machine and human science. New York, NY, pp. 39–43.
Garat, J., Krief, M., Stellingwerf, J., Ventre, J., 1990. A petrophysical interpretation using the velocities of P and S waves (full-waveform sonic). The Log Analyst 31(06).
Gardner, G.H.F., Gardner, L.W., Gregory, A.R., 1974. Formation velocity and density-the diagnostic basics for stratigraphic traps. Geophysics 39(6), 770–780.
Grimaldi, E.M., Grimaccia, F., Mussetta, M., Zich, R.E., 2004. PSO as an effective learning algorithm for neural network applications. In Computational Electromagnetics and Its Applications, 2004. Proceedings. ICCEA 2004. 2004 3rd International Conference on IEEE, pp. 557–560.
Huang, W., Zhou, L., Qian, J., Ma, L., 2005. FIR frequency sampling filters design based on adaptive particle swarm optimization algorithm. In Advances in Natural Computation. Springer, pp. 289–298.
Jamialahmadi, M., Javadpour, F.G., 2000. Relationship of permeability, porosity and depth using an artificial neural network. Journal of Petroleum Science and Engineering 26(1), 235–239.
Kadkhodaie-Ilkhchi, A., Rezaee, M.R., Rahimpour-Bonab, H., Chehrazi, A., 2009. Petrophysical data prediction from seismic attributes using committee fuzzy inference system. Computers & Geosciences 35(12), 2314–2330.
Kadkhodaie‐Ilkhchi, A., Amini, A., 2009. A fuzzy logic approach to estimating hydraulic flow units from well log data: A case study from the Ahwaz oilfield, south Iran. Journal of Petroleum Geology 32(1), 67–78.
Karimi, H., Yousefi, F., 2012. Application of artificial neural network–genetic algorithm (ANN–GA) to correlation of density in nanofluids. Fluid Phase Equilibria 336, 79–83.
Kennedy, J., Kennedy, J.F., Eberhart, R.C., Shi, Y., 2001. Swarm intelligence, Morgan Kaufmann.
Labani, M.M., Kadkhodaie-Ilkhchi, A., Salahshoor, K., 2010. Estimation of NMR log parameters from conventional well log data using a committee machine with intelligent systems: A case study from the Iranian part of the South Pars gas field, Persian Gulf Basin. Journal of Petroleum Science and Engineering 72(1), 175–185.
Lim, J.S., 2005. Reservoir properties determination using fuzzy logic and neural networks from well data in offshore Korea. Journal of Petroleum Science and Engineering 49(3), 182–192.
Lin, X., Sun, J., Palade, V., Fang, W., Wu, X., Xu, W., 2012. Training ANFIS parameters with a quantum-behaved particle swarm optimization algorithm. In Advances in Swarm Intelligence, Springer, pp. 148–155.
Meulenkamp, F., Grima, M.A., 1999. Application of neural networks for the prediction of the unconfined compressive strength (UCS) from Equotip hardness. International Journal of Rock Mechanics and Mining Sciences 36(1), 29–39.
Moradi, M., Tokhmechi, B., Masoudi, P., 2017. Inversion of well logs into rock types, lithofacies and environmental facies, using pattern recognition, a case study of carbonate Sarvak Formation. Carbonates and Evaporites, 1–13.
Murphy, W., Reischer, A., Hsu, K., 1993. Modulus decomposition of compressional and shear velocities in sand bodies. Geophysics 58(2), 227–239.
Nawi, N.M., Ransing, M.R., Ransing, R.S., 2006. An Improved Learning Algorithm based on the Conjugate Gradient Method for Back Prooagation Neural Networks. Proc of World Academy of Science, Eng, and Technology, 14.
Nikravesh, M., Aminzadeh, F., 2001. Mining and fusion of petroleum data with fuzzy logic and neural network agents. Journal of Petroleum Science and Engineering 29(3), 221–238.
Nikravesh, M., Zadeh, L.A., Aminzadeh, F., 2003. Soft computing and intelligent data analysis in oil exploration, Elsevier.
Rini, D. P., Shamsuddin, S. M., Yuhaniz, S.S., 2016. Particle swarm optimization for ANFIS interpretability and accuracy. Soft Computing 20(1), 251–262.
Sfidari, E., Amini, A., Kadkhodaie, A., Ahmadi, B., 2012. Electrofacies clustering and a hybrid intelligent based method for porosity and permeability prediction in the South Pars Gas Field, Persian Gulf. Geopersia 2(2), 11–23.
Tabatabaei, S.M.E., Kadkhodaie-Ilkhchi, A., Hosseini, Z., Moghaddam, A.A., 2015. A hybrid stochastic-gradient optimization to estimating total organic carbon from petrophysical data: A case study from the Ahwaz oilfield, SW Iran. Journal of Petroleum Science and Engineering 127, 35–43.
Tokhmechi, B., Rasouli, V., Azizi, H., Rabiei, M., 2018. Hybrid clustering-estimation for characterization of thin bed heterogeneous reservoirs. Carbonates and Evaporites, 1–13.
Von Altrock, C., 1995. Fuzzy logic and neurofuzzy applications explained. Prentice-Hall, Inc.
Zahmatkesh, I., Soleimani, B., Kadkhodaie, A., Golalzadeh, A., Abdollahi, A.M., 2017. Estimation of DSI log parameters from conventional well log data using a hybrid particle swarm optimization–adaptive neuro-fuzzy inference system. Journal of Petroleum Science and Engineering 157, 842-859.