05 اردیبهشت 1403
علي رنجبر

علی رنجبر

مرتبه علمی: استادیار
نشانی: دانشکده مهندسی نفت، گاز و پتروشیمی - گروه مهندسی نفت
تحصیلات: دکترای تخصصی / مهندسی نفت
تلفن: 077
دانشکده: دانشکده مهندسی نفت، گاز و پتروشیمی

مشخصات پژوهش

عنوان
ارزیابی شاخص های استاتیک و دینامیک پتروفیزیکی مخزن به کمک داده های نمودارگیری از چاه
نوع پژوهش پارسا
کلیدواژه‌ها
خواص پتروفیزیکی، نمودارگیری، تخلخل، حجم شیل، تراوایی، یادگیری ماشین
پژوهشگران بهاره رضایی میرقائد (دانشجو) ، ابوالفضل دهقان منفرد (استاد راهنما) ، علی رنجبر (استاد مشاور)

چکیده

ارزیابی قابل اطمیمنان خواص پتروفیزیکی مخزن برای ارزیابی و مشخص کردن لایه های مخزنی، تعیین کمیت ذخایر هیدروکربن و تولید ضروری است. خواص پتروفیزیکی استاتیک شامل تخلخل، سنگ شناسی، اشباع آب و غلظت حجمی شیل است. درحالی که خواص پتروفیزیکی دینامیک شامل نفوذپذیری مطلق، اشباع هیدروکربن متحرک و نفوذپذیری نسبی وابسته به اشباع و فشار مویینه است. فناوری پیشرفته نمودارگیری مانند نمودارهای صوتی، نمودارهای چگالی، نمودارهای تصویری و غیره به شناسایی پارامترهای مختلف پتروفیزیکی مخزن کمک می کند. بررسی اطلاعات به دست آمده از نمودارهای پتروفیزیکی در تعیین کمیت و ارزیابی ذخایر هیدروکربن تاثیر گذار و دارای اهمیت می باشد. هدف اصلی این پژوهش ارزیابی و ساخت مدل استاتیکی مخزن مورد مطالعه و مشخص نمودن لایه های مخزنی از طریق محاسبه و تعیین شاخص های پتروفیزیکی (تخلخل، حجم شیل، تراوایی و ...) به کمک داده های چاه پیمایی (نگارهای نوترون، چگالی، صوتی، عمق، گاما، مقاومت و ...) و با استفاده از نرم افزار تخصصی ژئولاگ است. علاوه براین، داده های اشباع آب با استفاده از روش های یادگیری ماشین بر حسب نگار های مختلف مدل سازی شد. عمق مورد بررسی از 4050،6 تا 4560 متر بوده است. هر یک از نگارهای مورد استفاده در این پژوهش، تعداد بیش از 3000 داده در عمق موردنظر را شامل می شوند. طی بررسی های انجام شده سنگ شناسی اصلی سازند تحت مطالعه عمدتا از سنگ آهک تشکیل شده است. با ساخت مدل استاتیک و تعیین شروط (حد برش ها) برای پارامترهای به دست آمده نواحی قابل تولید و مخزنی مشخص شده است. پس از تحلیل نهایی و تقسیم بندی، لایه 3 دارای بالاترین میانگین خالص تخلخل (حدود 18 درصد) با متوسط اشباع خالص آب حدود 17 درصد است. تخلخل ثانویه در اکثر لایه های مخزنی سازند مشاهده می شود. همچنین از مدل های یادگیری ماشین اجرا شده در این پژوهش مدل MLP-LM با کمترین مقدار خطا، بهترین تخمین اشباع آب را برای سازند تحت مطالعه داشته است.