عنوان

تخمین نگاره سرعت موج برشی از روی نگاره های دیگر

IR

۳۹۰۵پ

فارسی

IR

تخمین نگاره سرعت موج برشی از روی نگاره های دیگر

[پایان‌نامه]

Estimation of the shear wave velocity utilizing other logs

/محمد دالوند

: مهندسی نفت و گاز

، ۱۳۹۸

۱۱۵ص.

:

زبان: فارسی

زبان چکیده: فارسی

چاپی - الکترونیکی

مصور، جدول، نمودار

کارشناسی ارشد

مهندسی نفت- اکتشاف

۱۳۹۸/۱۱/۰۱

صنعتی سهند

سرعت موج برشی کاربردی اساسی در ارزیابی و مطالعه مخازن نفتی دارند .سرعت موج برشی دارای کاربردهای متعددی از جمله تعیین لیتولوژی، تخلخل، تشخیص سیالات مخزنی( بخصوص در اکتشافات گازی) مطالعات پیش بینی مخزن((۴ D، تعیین پارامتر های ژئومکانیکی از قبیل مدول برشی، مدول بالک، نسبت پواسون، مدول یانگ و همچنین در مطالعات حفاری و پایداری دیواره چاه دارد .سرعت موج برشی در چاه‌نگاری توسط ابزارهای بخصوصی از جمله DSI اندازه گیری می‌شود .در بیشتر چاه‌ها و مناطق به دلیل قدیمی بودن و یا هزینه نسبتا بالا سرعت امواج برشی اندازه گیری‌های مربوط به این امواج انجام نشده است .برخلاف داده‌های موج برشی، داده‌های سرعت موج تراکمی و نمودارهای متداول دیگر از قبیل چگالی، تخلخل، مقاومت، نوترون و ... تقریبا در تمامی چاها گرفته می‌شود .این داده‌ها ارتباط فیزیکی و ریاضی خاصی با امواج برشی دارند .بر همین اساس روش های مختلفی برای تخمین این موج به کار گرفته شده است، که شامل روابط تجربی( برگرفته از پارامترهای فیزیک سنگ در لیتولوژی های مختلف)، استفاده از رگرسیون های خطی و چند متغییره، شبکه های هوشمند و مدلسازی فیزیک سنگ می‌باشد .مطالعه حاضر در یکی از چاه‌های جنوب غربی ایران صورت گرفته است .در این مطاالعه تخمین موج برشی با استفاده از روابط تجربی، استفاده از رگرسیون چندمتغییره و شبکه های هوشمند انجام شده است .رابطه استفاده شده برای روابط تجربی، رابطه کاستاگنا و پیکت می باشد، که مهمترین روابط برای کربناته ها می‌باشند .نتایج نشان داد که روابط یاد شده چون تحت تاثیر موج تراکمی هستند در قسمت‌هایی که این موج دارای مشکل است و یا باتغییر لیتولوژی همراه است نتوانسته عملکرد مطلوبی ارائه دهد .در بخش رگرسیون چند متغییره، برآورد توسط چهار پارامتر ورودی :موج تراکمی، چگالی، مقاومت و گاما انجام شده است .در قسمت شبکه های هوشمند، آموزش توسط الگوریتم لونبرگ-مارکوارت با چهار لایه ورودی، بیست لایه میانی و یک لایه هدف انجام گرفته شده است .تخمین صورت گرفته توسط رگرسیون با اعمال پارامترهای بیشتر نسبت به روابط تجربی دقیق تر است .در شبکه‌های هوشمند در ۵۰ درصد اول که داده هدف را در اختیار داشته است به نسبت ۵۰ درصد دوم عملکرد بهتری ارائه داده است و در قسمت دوم عملکرد تقریبا غیر قابل قبولی از خود نشان داده به زبان ساده تر وابسته به داده آموزشی زیاد و جواب می‌باشد .در ادامه این مطالعه رابطه‌ای برگرفته از معادلات فیزیک سنگی برای تخمین سرعت برشی ارائه گردید که تمامی شرایط محیطی سنگ و سیال در آن حفظ شده است .سرعت موج برشی براساس فرمول ارائه شده تخمین زده شد .معادله فیزیک سنگ ارائه شده برگرفته از پارامترهای موثر بر امواج برشی می‌باشد که در هرمنطقه می‌تواند عملکرد مختص به همان منطقه را ارائه دهد .همچنین رابطه استفاده شده دارای پارامتری به نام D است که برای مدلسازی هر منطقه متغییر است .در انتها موج تخمین زده شده با موج حاصل از دیگر روش های بیان شده( رگرسیون چندمتغییره، روابط تجربی-آزمایشگاهی و شبکه های هوشمند) مقایسه گردید .اعتبار سنجی انجام شده نشان می‌دهد که فرمول ارائه شده تخمین قابل قبولی ارائه داده است .مقدار خطا بدست آمده در رابطه( ۰۲.۰) می باشد که این مقدار برای روابط تجربی کاستاگنا، پیکت، رگرسیون چندمتغییره و شبکه‌های هوشمند به ترتیب برابر با( ۹.۱)،( ۰۵.۰)،( ۴.۱) و( ۷.۰) درصد می‌باشد .از طرفی بدلیل استفاده از پارامتر های سنگ و سیال هر محیط در فرمول، قابل بسط به محیط های زمین شناسی اطراف، با شرایط زمین شناسی مختلف نیز می باشد .

The shear wave velocity is essential for the study and evaluation of reservoirs. The shear wave velocity has a wide range of applications including lithology determination, porosity, reservoir fluid detection(especially in gas exploration), reservoir prediction studies, determination of geomechanical parameters such as shear modulus, bulk modulus, Poisson's ratio, Young's modulus, and also drilling and stability of wells studies. The shear wave velocity in well-logging is measured by specialized tools such as DSI. Because of the fact that the determination of this velocity is expensive and most of the wells and fields are old, this logging has not been performed. Unlike shear wave data, the data of compressive wave velocity and other typical logging graphs such as density, porosity, resistivity, and neutron are performed in almost all wells. These data have a special physical and mathematical correlation to shear waves. Therefore, various methods have been employed for estimating this wave, including experimental correlations (derived from rock physics parameters in different lithologies), using linear and multivariable regression, artificial neural networks and rock physics modeling. The present study has been conducted in one of the southwestern wells of Iran. In this study, shear wave estimation was performed using empirical relations, multivariate regression, and artificial neural networks. The Castagna and Pickett relations are used as the empirical relations, which are the most important relations for carbonate reservoirs. The results showed that the mentioned relations in some areas that are associated with lithology changes could not yield the desired performance. In the multivariate regression step, estimation is performed by four input parameters: compressive wave, density, resistivity, and gamma logs. In the artificial neural network step, the training is performed by the Levenberg-Marquardt algorithm with four input layers, twenty middle layers, and one target layer. By adding more parameters, the regression estimation is more accurate than applying the empirical equations. In the artificial neural networks, the first 50 percent data that have the target data have performed better than the second 50 percent data. In the following of this study, a relation derived from rock physics equations for estimating shear velocity in which all rock and fluid conditions are preserved. The shear wave velocity was estimated based on the proposed formula. The proposed rock physics equation is derived from parameters affecting shear waves that can provide specific performance in each region. Also, the relation used has a parameter called D, which is variable for modeling each region. Finally, the estimated wave was compared with the wave derived from other methods (multivariate regression, experimental-laboratory relations, and artificial neural networks). The validation shows that the formula presented gives an acceptable estimation The error value from the relation is (0.02), and is (1.9), (0.05), (1.4) and (0.7) for the Castagna, Picket, multivariate regression and artificial neural networks, respectively. On the other hand, due to the use of rock and fluid parameters of each region in the formula, it can be developed to the surrounding geological environments with different geological conditions.

ba

Estimation of the shear wave velocity utilizing other logs

سرعت امواج برشی

امواج تراکمی

فیزیک سنگ

رگرسیون چند متغییره

روابط تجربی

shear wave velocity, compressive wave, rock physics, multivariable regression, empirical relation

سرعت امواج برشی، امواج تراکمی، فیزیک سنگ، رگرسیون چند متغییره، روابط تجربی

دالوند، محمد

فلاحت، رضا، استاد راهنما

ارباب، بی‌تا، استاد مشاور

ایران

20230612

نفت ،۲۰۰۶۸ ،۱۳۹۸

رگید ی‌اه‍ ه‌راگن‍ ی‌ور زا ی‌شرب‍ ج‌وم‍ ت‌عرس‍ ه‌راگن‍ ن‌یمخت‍.pdf

عادی

عادی

3905.pdf

p20068.pdf

0

ایمانی

متن

0

پ۳۹۰۵

فارسی

نمایه‌سازی قبلی

pe

TF

92029

1

a

Y