تخمین میزان کل کربن آلی (TOC) با استفاده از دو روش ΔlogR و شبکه عصبی مصنوعی (ANN) و تعیین رخساره‌های ژئوشیمیایی سازند کژدمی در یکی از میادین جنوب غرب ایران

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه زمین شناسی نفت، پژوهشگاه صنعت نفت، تهران، ایران

2 کارشناس پتروفیزیک شرکت ملی حفاری ایران

چکیده

رخساره‌های ژئوشیمیایی توالی‌هایی از سنگ منشأ بوده که از نظر تجمع مواد آلی و پتانسیل تولید هیدروکربور با لایه‌های بالا و پایین خود متفاوت هستند. در مطالعه حاضر از دو روش متفاوت برای تعیین میزان کل کربن آلی (TOC) سازند کژدمی در یکی از میادین جنوب غرب کشور استفاده شد. در روش اول با استفاده از معادلات تجربی و استفاده از روش ΔlogR میزان کل کربن آلی محاسبه گردید. در مرحله بعد با استفاده از روش شبکه عصبی مصنوعی (Artificial Neural Network, ANN) در نرم افزار متلب و استفاده از اطلاعات TOC اندازه‌گیری شده در آزمایشگاه و قرائت تعدادی از نمودارهای چاه‌پیمایی به‌عنوان ورودی مدل که بیشترین میزان ضریب همبستگی با اطلاعات TOC دارند، لاگ TOC در کل توالی سازند کژدمی تخمین زده شد. ضریب همبستگی دو نمودار TOC تخمین زده شده به روش ΔlogR و ANNبا داده های TOC آزمایشگاهی به ترتیب 75/0 و 97/0 بدست آمد که دقت بهتر روش ANN نسبت به روش ΔlogR را نشان می دهد. سپس با استفاده از روش خوشه بندی MRGC (Multi-Resolution Graph-Based Clustering) و استفاده از لاگ‌های TOC به دست آمده از دو روش ΔlogR و ANN به‌عنوان ناظر، رخساره‌های ژئوشیمیایی توالی مورد بررسی با دقت مناسبی شناسایی شدند و مدل بدست آمده در تعدادی از چاه های نزدیک به هم در میدان مورد مطالعه تعمیم یافت. در نتیجه مشخص شد که ضخامت رخساره‌های مناسب ژئوشیمیایی از نظر تجمع مواد آلی، بیشتر در فواصل ابتدایی سازند مورد بررسی دیده می‌شوند.

کلیدواژه‌ها


oroushnia, M., Kodkhodaei, A., Nouri, B., 2011. investigation of clustering methods in the determination of electrofacies and reservoir microfacies using petrophysical and petrographic information in the Asmari Formation in one of the oil fields of the Persian Gulf. 31st Earth Sciences Meeting, Organization Geology and mineral explorations of the country 11-12 Azar. https://civilica.com/doc/187275
Alizadeh, B., Maroufi, K., Heydarifard, M., 2012. Validation and comparison of two methods of artificial neural network and ΔlogR in evaluating the organic matter content of source rocks- a case study of Pabde formation of Maron oil field. Research Journal Stratigraphy and Sedimentology 48-3, 1-18. https://jssr.ui.ac.ir/article_16775.html
Motahari, H., Alizadeh, B., Qalavand, H., Moradi, M., 2007. Evaluation of geochemical characteristics of organic materials in Pabde formation of Zilaib oil field using Rock-Eval pyrolysis. 6th Tehran Mining Engineering Student Conference, Amirkabir University of Technology. https://civilica.com/doc/45692
Kodkhodaei-Ilkhchi, A., Rezaei, M.R., Moalemi, S.A., Sheikhzadeh, A., 2005. Estimation of rock types and permeability in South Pars gas field using fuzzy center clustering technique and fuzzy modeling. 9th conference of Geological Association of Iran, Tarbiat Moalem University, Tehran, 678-690. https://civilica.com/doc/31955
Gholipour, S., Kodkhodaei, A., Kamali, M.R., 2013. Estimator of total organic carbon using geochemical and petrophysical data by artificial neural network in Azadegan oil field. Journal of Petroleum Research 2-85, 101-110.  https://pr.ripi.ir/article_600.html
Alizadeh, B., Najjari, S., Kadkhodaie-Ilkhchi, A., 2011. Artificial neural network modeling and cluster analysis for organic faciesand burial history estimation using well log data: A case study of the South Pars Gas Field, Persian Gulf, Iran. Computer Geoscience 45, 261–269. https://doi.org/10.1016/j.cageo.2011.11.024
Bagheri, H., Tanha, A.A., Doulati-Ardejani, F., Heydari-Tajereh, M., Larki, E., 2021. Geomechanical model and wellbore stability analysis utilizing acoustic impedance and reflection coefficient in a carbonate reservoir. J Petrol Explor Prod Technol 11, 3935–3961. https://doi.org/10.1007/s13202-021-01291-2
Bagheri, H., Falahat, R., 2021. Fracture permeability estimation utilizing conventional well logs and flow zone indicator. Petroleum Research 7(3), 357-365. https://doi.org/10.1016/j.ptlrs.2021.11.004
Gholizadeh, M.H., Darand, M., 2009. Forecasting precipitation with artificial neural networks (case study: Tehran). Journal of Applied Sciences 5, 23-32. https://jphgr.ut.ac.ir/article_21548.html
Kadkhodaie-Ilkhchi, A., Rahimpour-Bonab, H., Rezaee, M.R., 2009. A committee machine with intelligent systems for estimation of total organic carbon content from petrophysical data: An example from Kangan and Dalan reservoirs in South Pars Gas Field, Iran. Computer Geoscience 35(3), 459-474. https://doi.org/10.1016/j.cageo.2007.12.007
Mohebian, R., Bagheri, H., Kheirollahi, M., Bahrami, H., 2021. Permeability Estimation Using an Integration of Multi-Resolution Graph-based Clustering and Rock Typing Methods in an Iranian Carbonate Reservoir. Journal of Petroleum Science and Technology 11(3), 49-58. https://jpst.ripi.ir/article_1221.html
Kamali, M.R., Mirshady, A.A., 2004. Total organic carbon content determined from well logs using ΔLogR and Neuro Fuzzy techniques. Journal of Petroleum Science and Engineering 45(3-4), 141–148. https://doi.org/10.1016/j.petrol.2004.08.005
Kulluk, S., 2013. Anovel hybrid algorithm combining hunting search with harmony search algorithm for training neuralnetworks. Journal of the Operational Research Society 64(5), 748-761. https://doi.org/10.1057/jors.2012.79
Luffel, D.L., Guidry, F.K., Curtis, J.B., 1992. Evaluation of Devonian shale with new core and log analysis methods. Journal of Petroleum Technology 44(11), 1192–1197. https://doi.org/10.2118/21297-PA
Mohaghegh, S.R., Arefi, H.I., Bilgesu, S., Rose, D., 1994. Design and development of an artificial neural network for estimation of formation permeability. SPE 28237, Proceeding of SPE Petroleum Computer Conference, Dallas TX. https://doi.org/10.2118/28237-PA
Passey, Q., Creaney, J., Kulla, F., Moretti, F., Stroud, J., 1990. A practical model for organic richness from porosity and resistivity logs. AAPG Bulletin 74(12), 1777–1794. https://doi.org/10.1306/0C9B25C9-1710-11D7-8645000102C1865D
Tanha, A.A., Pirzad, A.H., Shahbazi, K., Bagheri, H., 2022. Investigation of trend between porosity and drilling parameters in one of the Iranian undeveloped major gas fields, Petroleum Research, https://doi.org/10.1016/j.ptlrs.2022.03.001
Ye, S.J., Rabiller, P., 2000. A New Tool for Electro-Facies Analysis: Multi-Resolution Graph-Based Clustering. 41st Annual Logging Symposium, Dallas, Texas, SPWLA-2000-PP. https://onepetro.org/SPWLAALS/proceedings-abstract
Zargar, GH., Tanha, A.A., Parizad, A., Amouri, M., Bagheri, H., 2020. Reservoir rock properties estimation based on conventional and NMR log data using ANN-Cuckoo: A case study in one of super fields in Iran southwest. Petroleum 6(3), 304-310. https://doi.org/10.1016/j.petlm.2019.12.002
Sefidari, E., Amini, A., Kadkhodaei, 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. https://geopersia.ut.ac.ir/article_29229.html
Sefidari, E., Kadkhodaie-Ilkhchi, A., Najjari, S., 2012. Comparison of intelligent and statistical clustering approaches to predicting total organic carbon using intelligent systems. Journal of Petroleum Science and Engineering 86-87, 190-205. https://doi.org/10.1016/j.petrol.2012.03.024
Tissot, B.P., Welte, D.H., 1984. Petroleum formation and occurrence: a new approach to oil and gas exploration. New York, Springer – Verlag p. 699. ISBN: 978-3-642-96446-6.  https://doi.org/10.1002/jobm.19800200623