مرکز منطقه ای اطلاع رسانی علوم و فناوریمجله زمین شناسی نفت ایران 2251-873810202021812Cyclostratigraphy study of Asmari reservoir in Karanj, Paranj and Parsi oil fieldsبررسی سیکلواستراتیگرافی مخزن آسماری در میادین نفتی کرنج، پرنج و پارسی 116faاردوانخلیلیدانشگاه اصفهانحسین وزیری مقدمدانشگاه اصفهانمهرانآریندانشگاه آزاد اسلامی واحد علوم و تحقیقات2021710The most important reason for studying any oil reservoir is the more efficient use of the production parts of the reservoir and the first step in identifying the reservoir is its zoning. Zoning is determined based on lithological changes by combining production data and petrophysical logs in each reservoir. In order to improve and accelerate the zoning of oil reservoirs, like other branches of science, the use of software has become common in recent years. One of the most powerful of these software's is Cyclolog. The science of using this software is cyclostratigraphy, which can be used to separate reservoir zones based on sedimentary cycles and their knowledge. Cyclolog software with the help of petrophysical logs taken from the wellbore and especially gamma diagram (GR) allows subsurface matching and preparation of matching charts in selected wells. In this study, in the three oil fields studied (Karanj, Paranj and Parsi) using cyclolog software, a total of seven positive timelines (Pb3000, Pb2000, Pb1500, Pb1000, Pb500, Pb400, and Pb300) as well as five negative timelines (Nb4000, Nb3000, Nb2000, Nb1000, and Nb500) were detected. Accordingly, the Pb1500 timeline is the separator and the boundary of the Chattian and Aquitanian peaks, which in the wells of all three studied fields almost cross the boundary of reservoir zones 3 and 4. The Nb4000, Nb3000, and Nb2000 timelines are also Chattian age. The Nb3000 timeline in Karanj oil field has crossed the boundaries of zones 4 and 5 in most of the wells due to calibration with biometric evidence (biostratigraphy) and indicates the top of the formation. The age of the Nb500 timeline is Burdigalian and passes through the middle of their reservoir zone 1 in the study area. The boundary between the Aquitanian and Burdigalian peaks is defined by the Nb1000 timeline. This timeline crosses the boundaries of zones 1 and 2 in all three fields studiedمهمترین دلیل مطالعه هر مخزن نفتی استفاده بهینه تر از قسمت های تولیدی مخزن می باشد و اولین قدم در شناسایی مخزن زون بندی آن است. زون بندی بر اساس تغییرات سنگ شناسی با تلفیق داده های تولیدی و نمودارهای پتروفیزیکی در هر مخزن مشخص می گردد. جهت بهبود و تسریع زون بندی مخازن نفتی همانند دیگر شاخه های علوم در سالیان اخیر استفاده از نرم افزار رایج گردیده است. یکی از قدرتمندترین این نرم افزارها سیکلولاگ (Cyclolog) است. علم استفاده از این نرم افزار سیکلواستراتیگرافی است که بر اساس چرخه های رسوبی و شناخت آنها می توان زون های مخزنی را از یکدیگر تفکیک نمود. نرم افزار سیکلولاگ به کمک نمودارهای پتروفیزیکی اخذ شده از درون حفره چاه و بویژه نمودار گاما (GR) امکان تطابق زیر سطحی و تهیه چارت تطابقی را در چاه های انتخابی به ما می دهد. در این تحقیق در سه میدان نفتی مورد مطالعه (کرنج، پرنج و پارسی) با استفاده از نرم افزار سیکلولاگ در مجموع هفت خط زمانی مثبت (Pb3000, Pb2000, Pb1500, Pb1000, Pb500, Pb400, and Pb300) و همچنین پنج خط زمانی منفی (Nb4000, Nb3000, Nb2000, Nb1000, and Nb500) تشخیص داده شد. براین اساس خط زمانی Pb1500 جدا کننده و مرز آشکوب های شاتین و آکی تانین بوده که در چاههای هر سه میدان مورد مطالعه تقریباً از مرز زونهای مخزنی 3 و 4 عبور می کند. همچنین خطوط زمانی Nb4000, Nb3000, and Nb2000 دارای سن شاتین می باشند. خط زمانی Nb3000 در میدان نفتی کرنج با توجه به کالیبره نمودن با شواهد سن سنجی (بیواستراتیگرافی) در بیشتر چاهها از مرز زونهای 4 و 5 عبور کرده و مشخص کننده سر سازند پابده است. سن خط زمانی Nb500 بوردیگالین بوده و در میادین مورد مطالعه از میانه زون 1 مخزنی آنها عبور می کند. مرز بین آشکوب های آکی تانین و بوردیگالین با خط زمانی Nb1000 مشخص می گردد این خط زمانی در هر سه میدان مورد مطالعه از مرز زونهای 1 و 2 عبور می کند.http://journal.ispg.ir/ar/Article/Download/33937مرکز منطقه ای اطلاع رسانی علوم و فناوریمجله زمین شناسی نفت ایران 2251-873810202021812Permeability estimation using petrophysical logs and artificial intelligence methods: A case study in the Asmari reservoir of Ahvaz oil fieldتخمین تراوایی با بکارگیری لاگ های پتروفیزیکی و روش های هوش مصنوعی: مطالعه موردی در مخزن آسماری میدان نفتی اهواز1728faابوذرمحسنی پوردانشگاه چمران اهوازبهمن سلیمانیدانشگاه چمران اهوازایمانزحمتکشدانشگاه چمران اهوازایمانویسیشرکت ملی مناطق نفتخیز جنوب202165Permeability is one of the most important petrophysical parameters that play a key role in the discussion of production and development of hydrocarbon fields. In this study, first, the magnetic resonance log in Asmari reservoir was evaluated and permeability was calculated using two conventional methods, free fluid model (Coates) and Schlumberger model or mean T2 (SDR). Then, by constructing a simple model of artificial neural network and also combining it with Imperialist competition optimization (ANN-ICA) and particle swarm (ANN-PSO) algorithms, the permeability was estimated. Finally, the results were compared by comparing the estimated COATES permeability and SDR permeability with the actual value, and the estimation accuracy was compared in terms of total squared error and correlation coefficient. The results of this study showed an increase in the accuracy of permeability estimation using a combination of optimization algorithms with artificial neural network. The results of this method can be used as a powerful method to obtain other petrophysical parameters.
تراوایی از جمله مهمترین پارامترهای پتروفیزیکی است که نقشی اساسی را در بحث های تولید و توسعه میادین هیدروکربونی دارند. در این پژوهش ابتدا نمودار تشدید مغناطیسی هسته ای در مخزن آسماری مورد ارزیابی قرار گرفت و تراوایی با استفاده از دو روش مرسوم مدل سیال آزاد(Coates) و مدل شلمبرژه یا میانگین T2 (SDR) محاسبه شد. سپس با ساخت مدل ساده شبکه عصبی مصنوعی و همچنین ترکیب آن با الگوریتم های بهینه سازی رقابت استعماری (ANN-ICA) و ازدحام ذرات (ANN-PSO) تراوایی تخمین زده شد. در نهایت نتایج حاصل با مقایسه تراوایی COATES و تراوایی SDR تخمین زده شده نسبت به مقدار واقعی، مورد بررسی قرار گرفتند و دقت تخمین از نظر مجموع مربع خطا و ضریب همبستگی مقایسه شد. نتایج حاصل از این مطالعه، بیانگر افزایش دقت تخمین تراوایی با استفاده از ترکیب الگوریتم های بهینه سازی با شبکه عصبی مصنوعی بود. نتایج حاصل از این روش می تواند به عنوان روشی قدرتمند جهت بدست آوردن سایر پارامترهای پتروفیزیکی استفاده شود.
http://journal.ispg.ir/ar/Article/Download/33934مرکز منطقه ای اطلاع رسانی علوم و فناوریمجله زمین شناسی نفت ایران 2251-873810202021812Designing an Ensemble model for estimating the permeability of a hydrocarbon reservoir by petrophysical lithology Labelingطراحی مدل گروهی تخمین تراوایی مخزن هیدروکربوری با استفاده از نگاره¬هاي پتروفيزيكي بر اساس تفكيك ليتولوژيكي2940faعباسسلحشوردانشگاه ایوانکیاحمدگائینیدانشگاه ایوانکیعلیرضاشاهیندانشگاه اصفهانمصیبکمریشرکت ملی نفت2021723Permeability is one of the important characteristics of oil and gas reservoirs that is difficult to predict. In the present solution, experimental and regression models are used to predict permeability, which includes time and high costs associated with laboratory measurements. Recently, machine learning algorithms have been used to predict permeability due to better predictability. In this study, a new ensemble machine learning model for permeability prediction in oil and gas reservoirs is introduced. In this method, the input data are labeled using the lithology information of the logs and divided into a number of categories and each category was modeled by machine learning algorithm. Unlike previous studies that worked independently on models, here we were able to predict the accuracy of such a square mean error by designing a group model using ETR, DTR, GBR algorithms and petrophysical data. Improve dramatically and predict permeability with 99.82% accuracy.
The results showed that group models have a great effect on improving the accuracy of permeability prediction compared to individual models and also the separation of samples based on lithology information was a reason to optimize the Trojan estimate compared to previous studies.
تراوايي يا نفوذپذيري، یکی از خصوصیات مهم مخازن نفت و گاز است که پیش بینی آن دشوارمي باشد. در حل حاضر از مدل های تجربی و رگرسیوني برای پیش بینی نفوذپذیری استفاده مي شود كه شامل صرف زمان و هزينه هاي زياد مرتبط با اندازه گیری آزمایشگاهی است. در چند وقت اخیر، به دلیل قابلیت پیش بینی بهتر، از الگوریتم های یادگیری ماشین برای پیش بینی تراوايي استفاده شده است. در این مطالعه، مدل یادگیری ماشین گروهي جدیدي برای پیش بینی تراوايي در مخازن نفت و گاز معرفی شده است. در این روش ، داده های ورودي با استفاده از اطلاعات ليتولوژي لاگ ها برچسب گذاري شده و به تعدادي از دسته ها تفكيك مي شوند و هر دسته توسط الگوریتم یادگیری ماشین مدل سازی شد. برخلاف مطالعات قبلی که به صورت مستقل روي مدل ها كار مي كردند در اينجا ما ضمن طراحي يك مدل گروهي با استفاده از الگوريتم هاي ETR وDTR و GBR و داده هاي پتروفيزيكي، توانستيم صحت و دقت پيش بيني همچينين خطاي ميانگين مربعات را به طرز چشم گيري بهبود ببخشيم و تراوايي را با دقت 99.82 درصد پيش بيني كنيم.
نتایج نشان داد که مدل های گروهي در بهبود دقت پیش بینی تراوايي در مقایسه با مدل های انفرادي تاثير فراواني دارند و همچنين تفكيك نمونه ها بر اساس اطلاعات ليتوژي دليلي بر بهينه نمودن تخمين تروايي نسبت به تحقيقات گذشته بود.
http://journal.ispg.ir/ar/Article/Download/33940مرکز منطقه ای اطلاع رسانی علوم و فناوریمجله زمین شناسی نفت ایران 2251-873810202021812Qom Formation, Microfacies, Depositional sequence, Maragh area.ریزرخساره ها، محیط رسوبی و چینه نگاری سکانسی سازند قم در ناحیه مرق (جنوب غرب کاشان)4161faامراله صفریدانشگاه اصفهان حسینقنبرلودانشگاه اصفهان ابراهیم محمدی دانشگاه اصفهان 2021414The Qom Formation is located at the Maragh area (20 kilometers southwest of Kashan). The formation with 216 m thickness contains shale and limestones. Volcanic rocks unconformably are covered by the Qom Formation. The upper boundary of the Qom Formation with the Upper Red Formation is also unconformable. Nine microfacies and terrigenous facies were identified based on the main components and sedimentological features. These microfacies and terrigenous facies were deposited on an open-shelf carbonate platform. Three environments were recognized in this carbonate platform. These environments include the inner shelf (restricted and semi-restricted lagoon), middle shelf, and outer shelf. In addition, three third-order and one incomplete depositional sequences were identified based on the vertical distribution of microfacies.سازند قم در ناحیه مرق و در 20 کیلومتری جنوب غرب کاشان با ضخامت 216 متر از سنگ آهک و شیل تشکیل شده است که به صورت ناپیوسته بر روی سنگ آتشفشانی ائوسن و به طور ناپیوسته در زیر سازند قرمز بالایی قرار دارد. براساس آلوکم های اصلی و ویژگی های رسوبی نه ریز رخساره کربناته و یک رخساره آواری شناسایی گردید. این ریز رخساره ها ی کربناته و رخساره آوری در پلت فرمی از نوع شلف باز رسوب گذاری کرده اند. این پلت فرم را می توان به سه محیط شلف داخلی (لاگون محصور و نیمه محصور)، شلف میانی و شلف خارجی تقسیم کرد. براساس توزیع عمودی ریز رخساره ها سه سکانس رسوبی کامل درجه 3 و یک سکانس ناقص رسوبی تشخیص داده شد.http://journal.ispg.ir/ar/Article/Download/33930مرکز منطقه ای اطلاع رسانی علوم و فناوریمجله زمین شناسی نفت ایران 2251-873810202021812Comparison of the function of conventional neural networks for estimating porosity in one of the southeastern Iranian oil fieldsمقایسه کارکرد شبکه های عصبی مرسوم برای برآورد تخلخل در یکی از میدانهای نفتی جنوب خاوری ایران6281faفرشاد توفیقیدانشگاه بین اللملی قزوین پرویزآرمانیدانشگاه بین المللی امام خمینی(ه)علیچهرازی شرکت نفت فلات قاره ایراناندیشه علیمرادی دانشگاه بین المللی امام خمینی، قزوین202246In 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. 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.
http://journal.ispg.ir/ar/Article/Download/36507مرکز منطقه ای اطلاع رسانی علوم و فناوریمجله زمین شناسی نفت ایران 2251-873810202021812Foramniferal morphogroups of the Qom Formation in E Sirjan and SW Kashan: implication for paleoenvironmental and paleoecological interpretationsمورفوگروپهاي فرامينيفري سازند قم در شرق سيرجان و جنوب غربي کاشان: کاربرد آنها در تفاسير ديرينه محيطي و پالئواکولوژيکي8294faابراهیم محمدی دانشگاه تحصيلات تکميلي صنعتي و فناوري پيشرفته، کرمان2021215The Qom Formation is the main reservoir and source rock of hydrocarbons in central Iran. Foraminifera are now central to our ability to date, correlate and analyse the sedimentary basins that are currently key to the economic wellbeing of the world. Morphogroup analysis, due to independence of species level taxonomy, as wel as permit to comparison of assemblages of differing ages, is a useful tool for ecological and palaeoecological interpretation. It is independent of species level taxonomy and is thus relatively elementary to translate from one worker to another. Foramniferal study of the Qom Formation in the Bujan (eastern Sirjan; with Rupelin-Chattian in age and 156 m thickness) and Varkan (southwestern Kashan; with Rupelin in age and 190 m thickness) sections resulted in identification of seven morphogroups.
The morphogroups were distinguished according to test/shell morphology and architecture (general shape, mode of coiling, and arrangement and number of chambers), inferred life habitat either living on the surface of the sediments or within the sediments (epifaunal and infaunal), and feeding strategy (suspension-feeder, herbivore, etc.). Generaly, epifaunal morphogroups were dominated in both study sections. The morphogroup analyses showed variations in the percentage of the dominant morphotypes, suggesting fluctuations in the paleoecological conditions. In the Bujan section, the Rupelin deposits are dominated by calcareous porcelaneous morphogroups; while the Chattian deposits are dominated by hyaline morphogroups, which indicates the lower and upper parts were deposited in inner ramp (lagoonal environments) and middle ramps, respectively. This significant change through time reffers to gradual increasing of the basin depth, decreasing the light intensity, reducing the salinity and decreacing the nutrient level. De dominance of the hyaline morphogroups throughout of the Varkan section is indicative of the deposition in middle ramp environments with normal salinity under meso-photic to oligo-photic conditions.
سازند قم مهمترين سنگ مخزن و سنگ منشاء هيدروکربور در ايران مرکزي است. فرامينيفرها در حال حاضر پايه و اساس توانايي ما براي تعيين سن، تطابق و بررسي حوضههاي رسوبي هستند که امروزه به عنوان کليدي براي رفاه اقتصادي جهان در نظر گرفته مي شوند. آناليز مورفوگروپها، به دليل مستقل بودن از تاکسونومي گونهها و همچنين امکان مقايسه تجمعاتي با سنين مختلف ابزار مناسبي براي تفاسير اکولوژيکي و پالئواکولوژيکي محسوب ميگردد. مطالعه فرامينيفرهاي سازند قم در برش بوجان (شرق سيرجان، با سن روپلين- شاتين و 156 متر ضخامت) و برش ورکان (جنوب غربي کاشان؛ با سن روپلين و 190 متر ضخامت)، منجر به تشخيص هفت مورفوگروپ شد. شناسايي مورفوگروپها بر اساس مورفولوژي و معماري پوسته (شامل شکل کلي، الگوي پيچش و آرايش و تعداد حجرات)، و زيستگاه استنباطي که يا در سطح رسوبات زندگي ميکند يا در داخل رسوبات (اپيفونال/سطح زي يا اينفونال/درونزي) و استراتژي تغذيه (معلق/رسوب خوار، گياهخوار و غيره) استوار بوده است. در هر دو برش بهطورکلي فرمهاي اپيفونال غالب بودهاند. آناليز مورفوگروپها بيانگر وجود نوساناتي در درصد مورفوگروپ-هاي غالب است، که خود بيانگر نوساناتي در شرايط اکولوژيکي محيط ميباشد. در برش بوجان در نهشتههاي روپلين مورفوگورپ هاي با ديواره پورسلانوز و در شاتين مورفوگورپهاي با ديواره هيالين فراواني بيشتري دارند که بيانگر نهشته شدن بخشهاي پاييني در محيطهاي لاگوني و نهشته شدن بخشهاي بالايي برش (عمدتاً) در رمپ مياني است. اين تغيير چشمگير در طول زمان بيانگر افزايش تدريجي عمق حوضه، کاهش شوري، کاهش روشنايي و کاهش مواد مغذي است. غالب بودن مورفوگورپهاي با ديواره هيالين در سرتاسر برش ورکان بيانگر رسوبگذاري اين برش (عمدتاً) در محيطهاي رمپ مياني با ميزان شوري نرمال دريايي و تحت شرايط نوري مزوفوتيک تا اليگوفوتيک ميباشد.http://journal.ispg.ir/ar/Article/Download/33927