دمج CPI والبيانات الأساسية في الانحدار اللوجستي لنمذجة الحصى
الكلمات المفتاحية:
Geostatistical, classification, lithofacies, reservoir characterization, hydrocarbon, porosity, permeability.الملخص
ان بحث تصنيف نوعية الصخور هو جزء من دراسة توصيف ومحاكاة المكمن والتي أجراها فريق متعددة التخصصات والتي تمت على حقل X/ تكوين الزبير والواقع في جنوب العراق. هذا البحث هو احدى نتاجات مدرسة الادارة المكمنية المتكاملة (IRMS) في شركة نفط البصرة (BOC). ان تصنيف صخور الطبقات الجيولوجية تتم من خلال تحليل مجموعة البيانات الأساسية لباب الصخور core ومخططات مجسات الابار Logs. تقليديا ، تتم هذه العملية مختبرياً أو باستخدام بعض أساليب الرسوم البيانية. وفي الأونة الاخيرة تم اعتماد العديد من تقنيات الذكاء الاصطناعي لتصنيف الطبيعة الصخارية للطبقات. وفي هذا البحث ، تم تطبيق خوارزميتين موثوقتين LBR و MLR لنمذجة الطبيعة الصخارية المعلومة في الابار التي تحتوي على نماذج صخرية للطبقات الجيلوجية كدالة لمجموعة من تفسيرات المجسات CPI لنفس البئر وتطبيق هذا النموذج على بقية الابار التي لا تحتوي على نماذج لباب Core لنفس (التكوين).
ان البيانات المتاحة في هذه الدراسة تتضمن التسجيلات البئرية لـ 49 بئر لحقل الزبير/ تكوين الزبير / العطاء الاعلى والتي تحتوي على: التشبع المائي ، المسامية النيوترونية و حجم الصخوري. اما البيانات الخاصة بالتحاليل المختبرية لنماذج الصخور والتي يحسب منها: النفاذية والمسامية والسحنة فهي متاحة لبئر واحد فقط. ان التركيبة الصخرية الناتجة من التحليل المختبري لنموذج اللباب هو الرمل sand ، silty sand وshale .
تم اعتماد طريقتين من طرق الذكاء الاصطناعي وهي : LBR و MLR ، لنمذجة توزيع الصخور المنفصلة كدالة للتفسيرات البئرية CPI، وتم التحقق من صحة عمل هاتين الطريقتين باستخدام جداول خاصة لحساب النسبة المئوية للخطأ، وقد لوحظ ان LBR هو النهج الأمثل لأنه أدى إلى تصنيف للطبيعة الصخرية أكثر دقة من MLR في المكامن الرملية clastic.
أظهر سير العمل المقدم توزيعاً معقولًا للسحنات يؤدي إلى علاقة قوية بين المسامية والنفاذية لتقدير الخصائص البتروفيزيائية في الآبار التي لا تحتوي على نماذج كور.
علاوة على ذلك ، تم رسم التوزيع الصخوري مع العمق لإظهار احتمالية التوزيع المكاني واتجاه النموذج. وقد تم تنفيذ هذه الخوارزميات من خلال برمجة R ، وهذه اللغة مجانية و شائعة الاستخدام في البرامجيات الاحصائية. وبأستخدام هذه الطريقة يمكن تخفيض تكاليف الحصول على البيانات المطلوبة.
المراجع
McCreery, E. B., and W. J. Al-Mudhafar. "Geostatistical Classification of Lithology Using Partitioning Algorithms on Well Log Data-A Case Study in Forest Hill Oil Field, East Texas Basin." 79th EAGE Conference and Exhibition 2017. European Association of Geoscientists & Engineers, 2017. https://doi.org/10.3997/2214-4609.201700905
Al-Mudhafar, W. J. Advanced Supervised Machine Learning Algorithms for Efficient Electrofacies Classification of a Carbonate Reservoir In a Giant Southern Iraqi Oil Field. Offshore Technology Conference, Houston, TX, USA. 2020, https://doi.org/10.4043/ 30906-MS
Al-Mudhafar, Watheq J. "Applied Geostatistical Reservoir Characterization in R: Review and Implementation of Permeability Estimation Modeling and Prediction Algorithms-Part II." Offshore Technology Conference., Houston, TX, USA. 2016. https://doi.org/10.4043/ 26932-MS
Schafer, J. L. Analysis of incomplete multivariate data. Chapman and Hall/CRC. 1997.
Rogers, F. J., & Iglesias, C. A. Rosseland mean opacities for variable compositions. The Astrophysical Journal, no. 401, pp. 361-366 . USA. 1992.
Zhao, T., Jayaram, V., Roy, A., & Marfurt, K. J. “A comparison of classification techniques for seismic facies recognition”. Interpretation, no. 3, pp. 29-58. SEG Library. 2015. https://doi.org/10.1190/ INT-2015-0044.1
Al-Mudhafar, W. J. “Integrating well log interpretations for lithofacies classification and permeability modeling through advanced machine learning algorithms”. Journal of Petroleum Exploration and Production Technology, no. 7, pp. 1023-1033. 2017. https:// doi.org/10.1007/s13202-017-0360-0
A. Alher, M. Aljawad, and A. Ali, “Static Model of Zubair Reservoir in X Oil Field”, ijcpe, vol. 19, no. 1, pp. 57-60, Mar. 2018.
Friedman, J., Hastie, T., & Tibshirani, R. “Additive logistic regression: a statistical view of boosting (with discussion and a rejoinder by the authors)”. The annals of statistics, no. 28, pp. 337-407. April 2000, https://doi.org/10.1214/aos/1016218223
Xing, C., Geng, X., & Xue, H. Logistic boosting regression for label distribution learning. In Proceedings of the IEEE conference on computer vision and pattern recognition, pp. 4489-4497. 2016
Rogers, S. J., Fang, J. H., Karr, C. L., & Stanley, D. A. (1992). Determination of lithology from well logs using a neural network. AAPG bulletin, vol.76, no.5, pp. 731-739. 1992, https://doi.org/10.1306/BDFF88BC-1718-11D7-8645000102C1865D
Dixit, S., Kumar, B., Singh, A., & Ashoka, R. An application of multinomial logistic regression to assess the factors affecting the women to be underweight and overweight: a practical approach. Intl J Health Sci Res, no. 5, pp. 11-17. 2015
