مقایسه کارکرد شبکه های عصبی مرسوم برای برآورد تخلخل در یکی از میدانهای نفتی جنوب خاوری ایران
محورهای موضوعی : شاخه های دیگر علوم زمین در ارتباط با زمین شناسی نفت
فرشاد توفیقی
1
(دانشجو )
پرویز آرمانی
2
(دانشگاه بین المللی امام خمینی(ه))
علی چهرازی
3
(کارشناس ارشد )
اندیشه علیمرادی
4
(استاد یار )
کلید واژه: برآورد تخلخل, بازگردانی,
چکیده مقاله :
در صنعت نفت از هوش مصنوعی برای شناسایی روابط، بهینه سازی، برآورد و رده بندی تخلخل بهره گیری میشود. یكی از مهمترین مراحل ارزیابی پارامترهای پتروفیزیكی مخزن، شناسایی ویژگیهای تخلخل است. هدف اصلی این پژوهش مقایسه درستی و تعمیم پذیری سه شبكه عصبی چند لایه پیشخور ) MLFN (، شبكه تابع شعاع مبنا ) RBFN ) و شبكه عصبی احتمالی ) PNN ) برای برآورد تخلخل با بهره گیری از ویژگیهای لرزهای است. در این راستا، دادههای زمینشناسی 7 حلقه چاه یک میدان نفتی فراساحلی هندیجان در شمال باختری حوضه خلیج فارس مورد ارزیابی قرارگرفت. امپدانس آکوستیک با بهرهگیری از روش وارونگی مبتنی بر مدل برآورد شد و سپس شبكههای عصبی یاد شده با بهرهگیری از ویژگیهای لرزهای بهینه طراحی شده و با روش رگرسیون گام به گام مورد ارزیابی قرار گرفتند. سرانجام مشخص شد که مدل MLFN برای برآورد تخلخل خوب عمل نمیکند. PNN از بهترین دقت کارکرد در درون یابی تخلخل برخوردار است، اما تعمیم پذیری RBFN بهتر است.
In the oil industry, artificial intelligence is used to identify relationships, optimize, estimate and classify porosity. One of the most important steps in evaluating the petrophysical parameters of the reservoir is to identify the porosity properties. The main purpose of this study is to compare the accuracy and generalizability of three multilayer feed neural networks (MLFNs), radius base function networks (RBFNs) and probabilistic neural networks (PNNs) to estimate porosity using seismic properties. In this regard, geological data of 7 wells were evaluated from an offshore oil field in Hindijan in the northwest of the Persian Gulf basin. Acoustic impedance was estimated using model-based inversion method and then the mentioned neural networks were designed using optimal seismic properties and evaluated by stepwise regression method. Finally, it became clear that the MLFN model did not work well for estimating porosity. PNN has the best performance accuracy in porosity interpolation, but RBFN generalizability is better.
[1] AMINI, A., MOVAHED, B., BEHZAD, ASIRI, H., and MARZAYI, TABESH, F., 2014, Design of Artificial Neural Network for Prediction of Porosity of Asmari Reservoir in Rag-Sefied Field Using Logarithmic and Porous Porosity Data: 3rd National Oil, Gas and Petrochemical Conference, Gachsaran, Iran.4-5.
[2] ANEES, M., 2013, Seismic attribute analysis for reservoir characterization: 10th Biennial International Conference and Exposition on the theme “Changing Landscapes in Geophysical Innovations”, India, 119-122.
[3] ASOODEH, M., and BAGHERIPOUR, P., 2013, Core porosity estimation through different training approaches for neural network: back-propagation learning vs. genetic algorithm: International Journal of Computer Applications, 63, 5:11–15.
[4] BEDI, J., and TOSHNIWAL, D., 2019, PP-NFR: an improved hybrid learning approach for porosity prediction from seismic attributes using non-linear feature reduction: Journal of Applied Geophysics, 166, 22-32.
[5] CAO, J., YANG, J., WANG, Y., WANG, D., and SHI, Y., 2015, Extreme Learning Machine for Reservoir Parameter Estimation in Heterogeneous Sandstone Reservoir: Mathematical Problems in Engineering, 287816, 1-10.
[6] CHOPRA, S., and MARFURT, K.J., 2007, Seismic Attributes for Prospect Identification and Reservoir Characterization: (chapter 1) 1st ed. Society of Exploration Geophysicists. 1-24
[7] ELKATANY, S., TARIQ, Z., MAHMOUD, M., and ABDULRAHEEM, A., 2018, New insights into porosity determination using artificial intelligence techniques for carbonate reservoirs: Petroleum Journal, 4, 4:1-11.
[8] EZEKWE, J.N., 2003, Applied Reservoir Management Principles with Case Histories: SPE Annual Technical Conference and Exhibition. Colorado. 5-8.
[9] FAUSETT, L.V., 1994, Fundamentals of Neural Networks Architectures: Algorithms and Applications (chapter 1) 1st ed. Pearson. 3-4
[10] GHARECHELOU, S., AMINI, A., KADKHODAIE-ILKHCHI, A., and MORADI, B., 2015, An integrated approach for determination of pore-type distribution in carbonate-siliciclastic Asmari Reservoir, CHESHMEH-KHOSH Oilfield, SW Iran: Journal of Geophysics and Engineering, 12, 793-809.
[11] GHAZBAN, F., 2007, Petroleum Geology of the Persian Gulf (chapter 9) 1st ed. Tehran, Tehran University and National Iranian Oil Company publication, 586-587.
[12] GHOLAMI, A., and ANSARI, H.R., 2017, Estimation of porosity from seismic attributes using a committee model with bat-inspired optimization algorithm: Journal of Petroleum Science and Engineering, 152, 238-249. [13]
HOSSEINI, A., ZIAII, M., KAMKAR ROUHANI, A., ROSHANDEL, A., GHOLAMI, R., and HANACHI, J., 2011, Artificial Intelligence for prediction of porosity from Seismic Attributes: Case study in the Persian Gulf: Iranian Journal of Earth Sciences, 3. 2:168-174. [14]
HUUSE, M., and FEARY, D.A., 2005, Seismic inversion for acoustic impedance and porosity of Cenozoic cool-water carbonates on the upper continental slope of the Great Australian Bight: Marine Geology, 215, 3-4:123-134. [15]
ITURRARÁN-VIVEROS, U., and PARRA, J.O., 2014, Artificial Neural Networks applied to estimate permeability, porosity and intrinsic attenuation using seismic attributes and well-log data: Journal of Applied Geophysics, 107, 45-54. [16]
MCCULLOCH, W.S., and PITTS, W., 1943, A logical calculus of the ideas immanent in nervous activity: Bulletin of Mathematical Biophysics, 5, 115–[17] MCPHEE, C., REED, J., and ZUBIZARRETA, I., 2015, Core Analysis: A Best Practice Guide, (chapter 8) 1st ed. Edinburgh, Elsevier Publication, 347-[18]
MOJEDDIFAR, S., KAMALI, G., RANJBAR, H., and SALEHIPOUR BAVARSAD, B., 2014, A comparative study between a pseudo-forward equation [pfe] and intelligence methods for the characterization of the North Sea reservoir: International Journal of Mining and Geo-Engineering, 48. 2:173–[19] ORR, M.J., 1996, Introduction to Radial basis function neural networks: Research Report for the Institute of Adaptive and Neural Computation, University of Edinburgh. 9-11.
[20] POWELL, M.J.D., 1987, Radial basis functions for multivariable interpolation: a review, Algorithms for Approximation: Clarendon. 143– 167.
POWELL, M.J.D., 1987, Radial basis functions for multivariable interpolation: a review, Algorithms for Approximation: Clarendon. 143– 167. [21] RONEN, S., SCHULTZ, P.S., HATTORI, M., and CORBETT, C., 1994, Seismic guided estimation of log properties, Part 1, 2 and 3: The Leading Edge, 13: 305-10, 674-678, 770-776. [22]
RUSSELL, B.H., 1988, Introduction to seismic inversion methods (Chapter 8) 1th ed. Calgary, Society of exploration Geophysicist, 1-14. [23]
RUSSELL, B.H., 2004, The application of multivariate statistics and neural networks to the prediction of reservoir parameters using seismic attributes: Ph.D. thesis, Faculty of Graduate Studies, Dissertation University of Calgary. 17-18. [24]
SOLEIMANI, B., BAHADORI, A., and MENG, F., 2013, Microbiostratigraphy, microfacies and sequence stratigraphy of upper cretaceous and Paleogene sediments, Hendijan oil field, Northwest of Persian Gulf, Iran: Natural Science, 5. 11:1165-1182. [25]
SPECHT, D.F., 1990, Probabilistic neural networks: Neural Networks, 3, 1:109–118. [26]
TARANTOLA, A., 2005, Using the Solution of the Inverse Problem, 1st ed. Paris, Society for Industrial and Applied Mathematics, 37-38. [27] YAZDANIAN, J., and NOORI, B., 2007, Geological Final Report-Well HD_7, Iranian Offshore Oil Company
مقایسه کارکرد شبکه‌های عصبی مرسوم برای برآورد تخلخل در یکی از میدانهای نفتی جنوب خاوری ایران
فرشاد توفیقی، گروه مهندسی نفت و معدن، دانشگاه بین‌المللی امام خمینی، قزوین
پرویز آرمانی*، گروه زمینشناسی، دانشگاه بین‌المللی امام خمینی، قزوین
علی چهرازی، مدیریت طرح‌های اکتشافی، شرکت نفت فلات قاره ایران، تهران
اندیشه علیمرادی، گروه مهندسی نفت و معدن، دانشگاه بین‌المللی امام خمینی، قزوین
چکیده
در صنعت نفت از هوش مصنوعی برای شناسایی روابط، بهینه‌سازی، برآورد و رده‌بندی تخلخل بهرهگیری میشود. يكي از مهم‌ترين مراحل ارزیابی پارامترهاي پتروفيزيكي مخزن، شناسایی ویژگیهای تخلخل است. هدف اصلی این پژوهش مقایسه درستی و تعمیم‌پذیری سه شبکه عصبی چند لایه پیشخور (MLFN)، شبکه تابع شعاع مبنا (RBFN) و شبکه عصبی احتمالی (PNN) برای برآورد تخلخل با بهرهگیری از ویژگیهای لرزهای است. در این راستا، دادههای زمینشناسی 7 حلقه چاه یک میدان نفتی فراساحلی هندیجان در شمال باختری حوضه خلیج فارس مورد ارزیابی قرارگرفت. امپدانس آکوستیک با بهرهگیری از روش وارونگی مبتنی بر مدل برآورد شد و سپس شبکه‌های عصبی یاد شده با بهرهگیری از ویژگیهای لرزهای بهینه طراحی شده و با روش رگرسیون گام به گام مورد ارزیابی قرار گرفتند. سرانجام مشخص شد که مدل MLFN برای برآورد تخلخل خوب عمل نمیکند. PNN از بهترین دقت کارکرد در درون‌یابی تخلخل برخوردار است، اما تعمیم‌پذیری RBFN بهتر است.
واژه‌های کلیدی: برآورد تخلخل، بازگردانی لرزهای، MLFN، RBFN، PNN
پیشگفتار
هوش مصنوعی یک ابزار ریاضیاتی بر پایه پردازش موازی است که امروزه، بهرهگیری از آن در صنعت نفت برای شناخت روابط غیرخطی، بهینه‌سازی، برآورد پارامترهای کمی و همچنین، دسته‌بندی پارامترهای کیفی نیز رواج بسیاری یافته است ]5، 9، 15[. بهرهگیری از این روش باعث افزایش دقت کار و کاهش هزینه و زمان میشود ]1[.
تخلخل یکی از مهمترین ویژگیهای پتروفیزیکی سنگ مخزن است، چرا که در محاسبات حجمی نفت موجود در مخزن ]3[، محاسبات اشباع سیالات، توصیف مخزن ]8[، شناسایی واحدهای جریانی در محیط‌های ناهمگن ]12[، بررسی‌های اقتصادی پروژه ]7[، به‌عنوان یکی از مهمترین پارامترهای مخزنی در نرم‌افزارهای شبیه‌ساز ]26[، مشخص‌کردن فشار نقاط مختلف مخزن به منظور کاهش خطر حفاری ]13[ و همچنین، تعیین الگوهای جریان هیدروکربن‌های مختلف ]10 و 18[ کاربرد دارد. در آغاز تخلخل از راه بررسی مستقیم مغزه تهیه‌شده در آزمایشگاه‌ها مانند وزن‌کردن مستقیم نمونه، قوطه‌وری، روش‌های نوری، اسکن توموگرافی کامپیوتری1 و روش انبساط گازی به‌دست می‌آمدند که اگرچه این روش‌ها دقیق‌ترین و قابل اعتمادترین روش‌ها هستند اما نیازمند صرف زمان و هزینه بسیار بوده و از طرفی، اطلاعات به‌دست آمده از این روش‌ها گسسته می‌باشند. از اینرو، از روش‌های چاه‌نگاری استفاده کردند. در این روش، از نموارهای چگالی، صوتی، نوترون و در مراحل پیشرفته‌تر نیز از نمودارهای رزونانس مغناطیسی هسته‌ای2 استفاده میشود که چون روش غیرمستقیم است، نسبت به روش مستقیم دقت کمتری دارد اما دارای پیوستگی اطلاعات است. اما نکته‌ای که در مورد روش‌های یادشده باید توجه داشت این است که این روش‌ها نیازمند صرف زمان و هزینه بسیار برای حفر چاه است ]17[.از اینرو، امروزه استفاده از هوش مصنوعی برای افزایش دقت کاوش‌های سطحی بدون نیاز به حفر چاه گسترش یافته است. از برتری‌های روش پیشنهاد شده نیز می‌توان به پیوسته‌بودن دادههای به‌دست آمده اشاره کرد. البته دادههای به‌دست آمده تنها در محل چاه و پیرامون آن درست است ]8[. امروزه برای مدل‌سازی سه‌بعدی، افزون بر دادههای چاه‌نگاری، از دادههای لرزهای سه‌بعدی نیز بهرهگیری میشود. دادههای لرزهای، سری‌های زمانی سه‌بعدی می‌باشند که زمان عبور موج در هر بخش از سازند را نشان می‌دهند ]4[. در هنگام برداشت‌های لرزهای امواجی با فرکانس بالا میرا می‌شوند که در مدل‌سازی سه‌بعدی کوشش میشود با بهرهگیری از دادههای چاه‌نگاری، از جمله نمودار صوتی، این دادههای لرزهای احیا و شبیه‌سازی شوند و سپس با بهرهگیری از موجک استخراج شده به مدل‌سازی بازگردانی3 ویژگیهای پتروفیزیکی زیرسطحی از جمله سرعت موج برشی4، سرعت موج فشردگی5 و امپدانس صوتی ویژه (که توسط ضرب چگالی در سرعت امواج لرزهای نیز به‌دست می‌آید) نیز پرداخته میشود ]22[.
امپدانس صوتی یکی از مهمترین نشان‌گرهای لرزهای است که با ویژگیهای پتروفیزیکی به ویژه تخلخل رابطه‌ای معنادار دارد و به‌صورت پلی ارتباطی میان ویژگیهای پتروفیزیکی و ویژگیهای کشسان6 است ]14 و 18[. نشان‌گرهای لرزهای اطلاعات لرزهای هستند که به‌صورت مستقیم و غیرمستقیم از راه انجام روابط ریاضیاتی پیچیده برروی داده لرزهای ایجاد می‌شوند ]23[. در نتیجه استخراج داده‌ها از نشان‌گرهای لرزهای کمک شایانی در برآورد ویژگیهای فیزیکی مخزن‌ها می‌کند ]6[. همچنین، لازم به یادآوری است که در بسیاری از مواقع به‌دلیل ناهمگن بودن منطقه، چه به‌صورت عمودی و چه به‌صورت افقی، ایجاد رابطه‌ای عددی میان امپدانس صوتی و تخلخل با روش‌های مرسوم آماری و بدون بهرهگیری از هیچ‌گونه تابعی نیز امکان‌پذیر ناست. بنابراین، برای برآورد تخلخل نیاز به یک مدل سطح بالا و هوشمند است ]2[.
پرکاربردترین زمینه مطالعاتی هوش مصنوعی با بهرهگیری از امپدانس صوتی، برآورد و ارزیابی ویژگیهای پتروفیزیکی مانند تخلخل، تراوایی، اشباع آب، حجم شیل، میزان آب موجود و در نتیجه، شناسایی واحدهای جریانی7 در محیط‌های ناهمگن است ]11[. هدف اصلی از این پژوهش مقایسه دقت و تعمیم‌پذیری سه مدل مرسوم شبکه عصبی، یعنی شبکه عصبی پیشخور چند لایه8، شبکه تابع شعاع مبنا9 و شبکه عصبی احتمالی10 در برآورد تخلخل با بهرهگیری از امپدانس صوتی و سایر نشان‌گرهای لرزهای به‌دست آمده از برازش گام‌به‌گام در سازند آسماری است.
روش کار
این پژوهش، یک پژوهش داده محور است که شامل دادههای زمینشناسی 7 چاه موجود در یکی از میدانهای نفتی ایران واقع در شمال باختری خلیج فارس است (شکل 1). این میدان از نظر ساختاری یک تاقدیس کوچک با روند شمالی-جنوبی است ]24[. دو چاه HD_1 و HD_6 بر پایه جایگاه جغرافیایی آن‌ها به‌عنوان دادههای ناشناخته در نظر گرفته شده‌اند (شکل 2). هدف از بهرهگیری از چاه‌های HD_1 و HD_6 نیز به‌ترتیب شناسایی دقت و قدرت تعمیم‌پذیری مدل‌های مورد نظر است. در این پژوهش، سازند آسماری مورد بررسی قرار گرفت. شمار نقاط اطلاعاتی از 25 تا 30 عدد بود.
شکل 1 جایگاه میدان نفتی مورد بررسی ]27[
شکل 2 جایگاه چاه‌های نفتی مورد بررسی
این پژوهش بر کاربرد تکنیک شبکه عصبی مصنوعی در برآورد تخلخل سازند آسماری با بهرهگیری از نشان‌گرهای لرزهای پس از برانبارش و دادههای چاه‌نگاری استوار است. نمودارهای تخلخل، صوتی و چگالی برای همه چاه‌ها و دادههای تصحیح برداشت11 تنها در چاه‌های HD_6 و HD_7 موجود بود.
نخستین گام برای آماده‌سازی دادههای ورودی هم حوزه نمودن آن‌ها بود، چرا که دادههای چاه‌نگاری ماهیت مکانی و دادههای لرزهای ماهیت زمانی دارند. بدین منظور با بهرهگیری از دادههای تصحیح برداشت به‌عنوان یک تابع زمان- عمق، تمامی دادههای چاه‌نگاری به حیطه زمان منتقل شد. پس از آن با بهرهگیری از فرآیند همبستگی (تطابق) دستی، سعی در افزایش همبستگی به منظور قرار گرفتن ضرایب بازتاب12 در محل درست خود و همچنین، استخراج موجک میانگین برای ساخت رَدلرزه‌های مصنوعی در محل چاه‌ها انجام گرفت. باید خاطرنشان شد که در تطابق دستی کوشش شده است که در ابتدا با جابه‌جایی و سپس با ایجاد کشیدگی و فشردگی در دادههای جدید ایجاد شده بیشترین تطابق انجام گیرد.
در این پژوهش از روش بازگردانی برپایه مدل13 برای مدل‌سازی بازگردانی امپدانس صوتی در کل پیکره سه‌بعدی سازند آسماری بهرهگیری شد. در بازگردانی بر پایه مدل کوشش میشود که در آغاز یک مدل زمینشناسی، به‌عنوان مدل اولیه، ساخته و سپس به مقایسه آن با دادههای لرزهای واقعی پرداخته شود. شکل 3 اساس نظریه بازگردانی بر پایه مدل به‌صورت شمای عملیاتی را نشان داده شد.
شکل 3 شمایی عملیاتی از نظریه بازگردانی برپایه مدل ]22[
در آغاز پیش از انتخاب نشان‌گرهای چندگانه بهینه، باید دادههای ورودی را نسبت به هر چاه مورد بررسی و ارزیابی قرار داد. از اینرو از تکنیک "پنهان‌کردن" بهرهگیری شد. این روش به این صورت است که چاه موردنظر (در پژوهش‌های آینده نشان‌گرها و نقاط اطلاعاتی) نیز نادیده گرفته میشود و با بهرهگیری از دیگر چاه‌ها به برآورد آن چاه پرداخته میشود. هر چه دقت کار کمتر و یا به‌عبارت دیگر، خطای بررسی بیشتر باشد، چاه مورد نظر باعث ناپایداری مدل‌سازی میشود. پس همان‌گونه که در شکل 4 نشان داده شد، دادههای چاه HD_7 باعث ناپایداری مدل‌سازی میشود، بنابراین دادههای این چاه از دسته دادههای آموزشی نیز حذف شد.