وارون‌سازی هم‌زمان و توأمان خواص پتروفیزیکی سنگ مخزن با استفاده از الگوریتم ژنتیک جزیره‌ای موازی

نوع مقاله: مقاله تحقیقی‌ (پژوهشی‌)

نویسندگان

موسسه ژئوفیزیک دانشگاه تهران، تهران، ایران

چکیده

برای وارون‌سازی خواص پتروفیزیکی، به مدل فیزیک سنگی جهت پیوند زدن خواص پتروفیزیکی زمین به خواص لرزه‌شناسی آن نیاز است. در این پژوهش، از مدل BISQ (Biot Squirt flow) برای وارون‌سازی خواص پتروفیزیکی سنگ مخزن استفاده شده است. مدل BISQ به‌طور هم‌زمان هر دو سازوکار بایوت (Biot) و جریان فواره‌ای را دربرمی‌گیرد. جریان فواره‌ای از مهم‌ترین مدل‌های انتشار امواج در محیط‌های متخلخل حاوی سیال است. مدل بایوت، تضعیف موج لرزه‌ای را به حرکت کلی یا موازی سیال نسبت به جهت انتشار موج ارتباط می‌دهد، درحالی‌که مدل جریان فواره‌ای، آن را به حرکت محلی سیال پیوند می‌دهد. علاوه‌بر مدل فیزیک سنگی، واررون‌سازی خواص پتروفیزیکی نیازمند یک روش ریاضی است که مسئله بهینه‎‌سازی حاصل از اختلاف بین داده مشاهده‌ای و داده محاسبه شده از مدل پیشرو را به حداقل برساند. در این تحقیق، الگوریتم ژنتیک جزیره‌ای موازی (Parallel Niche Genetic Algorithm, PNGA) به‌دلیل غیرخطی بودن مدل BISQ و نیز قدرت این روش به‌عنوان یک الگوریتم تکاملی (Evolutionary Algorithm) در مواجهه با مسائل پیچیده، بزرگ‌مقیاس و چندسطحی (multi objective) انتخاب شده است. در PNGA هر هسته به‌عنوان یک محیط مجزا عمل می‌کند که در آن، گونه‌ها تکامل می‌یابند. پایه این روش براساس دو اصل تکامل سریع و سکون بنا شده است. این روش از همگرایی پیش از موعد (premature convergence) جلوگیری می‌کند و قدرت الگوریتم در فرار از نقاط بهینه محلی را افزایش می‌دهد. در تحقیق حاضر، روش ذکر شده بر داده‌های مصنوعی و واقعی اعمال شد. نتایج وارون‌سازی، همبستگی مناسبی با مقادیر مفروض (در داده مصنوعی) و نگاره‌ها (در داده واقعی) نشان داد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Joint and simultaneous inversion of petrophysical properties of reservoir rocks using parallel niche generic algorithm

نویسندگان [English]

  • Mahdi Saadat Dastenayi
  • Majid Nabi-Bidhendi
Institute of Geophysics, University of Tehran, Tehran, Iran
چکیده [English]

In a geophysical inversion process, the observed data is transformed to the meaningful properties of earth. For inversion of petrophysical properties, we need a rock physics model that links the petrophysical properties to the elastic properties of rock. The more accurate the model, the more reliable the results. There are a variety of procedures in which can invert petrophysical properties of earth through seismic data. Those procedures include experimental and empirical methods (In these methods, seismic data is assumed to be a function of some special petrophysical features of a zone), statistical methods and theoretical methods such as Biot model. Such theoretical method predicts elastic properties of rocks such as velocities and quality factors as functions of physical properties of rock and fluid. Here, we use BISQ  (Biot-Squirt flow) model for inversion of petrophysical properties of reservoir rock. The BISQ describes seismic wave propagation in a fluid saturated poroelastic medium. This model consists of both Biot and squirt flow models and its accuracy is confirmed by several researchers versus other models. The model is developed for several anisotropic media too. Biot model relates the attenuation of seismic wave to parallel motion of fluid in a solid frame; while, the squirt flow model relates it to local motion of fluid. It is proven that both mechanisms exist during seismic wave propagation and BISQ model is correct for both of them, simultaneously.
In a petrophysical properties inversion process, there are two vital elements. First one, as described before, is using a rock physical model and the other one is mathematical method by which we solve an optimization problem that minimizes misfit between observed and predicted data. Here, we choose PNGA (Parallel Niche Genetic Algorithm) because of nonlinearity of BISQ model. Moreover, PNGA as an evolutionary algorithm, has capability of dealing with multi-objective optimization problems. We apply the mentioned method on both synthetic and real data. The inversion results show acceptable correlation with the used quantities in generation of synthetic and well logs.

کلیدواژه‌ها [English]

  • Inversion
  • Genetic Algorithm
  • Parallel computation
  • BISQ model
  • petrophysical properties

الا کشمی پای، ویجی، سکاران، راجا، 1391، شبکه های عصبی منطق فازی و الگوریتم ژنتیک، ترجمه محمود کشاورز مهر: انتشارات نوپردازان، تهران، 247 ص.

Bachrach, R., 2006, Joint estimation of porosity and saturation using stochastic rock-physics modeling, Geophysics, 71(5), O53–O63.

Biot, M. A., 1956, Theory of propagation of elastic waves in a fluid-saturated porous solid. Low-frequency range: The Journal of the Acoustical Society of America, 28(2), 168-178.

Boschetti, F., Dentith, M. C., and List, R. D., 1996, Inversion of seismic refraction data using genetic algorithms: Geophysics, 61, 1715-1727.

Cheng, Y. F., Yang, D. H., and Yang, H. Z., 2002, Biot/squirt model in viscoelastic porous media: Chinese Physics Letters, 19, 445-448.

Coello, C. A. C., and Lamout, G. B., 2004, Applications of Multi-Objective Evolutionary Algorithms: World Scientific.

Deb, K., and Agrawal, R. B., 1995, Simulated binary crossover for continuous search space: Complex Systems, 9,115–148.

Dvorkin, J., and Nur, A., 1993, Dynamic poroelasticity: A unified model with the squirt and the Biot mechanisms: Geophysics, 58, 524–533.

Dvorkin, J., Nolen-Hoeksema, R. C., and Nur, A., 1994, The squirt-flow mechanism: Macroscopic description: Geophysics, 59, 428–438.

Fang, Z., and Yang, D., 2015, Inversion of reservoir porosity, saturation, and permeability based on a robust hybrid genetic algorithm: Geophysics, 80(5), R265–R280.

Hampson, D., 1991, AVO inversion, theory and practice: The Leading Edge, 10, 39–42.

Hao, Y., Yang, D., and Zhou, Y., 2016, A feasibility of CO2 geologic sequestration integrating reservoir simulation, rock-physics theory, and seismic modeling: Geophysics, 81(5), M71-M82.

Hofmann, R., Xu, X., Batzle, M., Prasad, M., Furre, A. K., and Pillitteri, A., 2005, Effective pressure or what is effect of pressure: The Leading Edge, 24, 1256-1260.

Holland, J. H. , 1975 , Adaptation in Natural and Artificial Systems: University of Michigan Press, Ann Arbor.

King, R. T. F. A., and Rughooputh, H. C. S., 2003, Elitist multiobjective evolutionary algorithm for environmental/economic dispatch: in Proceedings of The 2003 Congress on Evolutionary Computation, 2, IEEE, 1108–1114.

Mavko, G., and Nur, A., 1975, Melt squirt in the asthenosphere: Journal of Geophysical Research, 80, 1444-1448.

Mavko, G., Mukerji, T., and Dvorkin, J., 2003, The Rock Physics Handbook: Tools for Seismic Analysis in Porous Media: Cambridge University Press.

Morgan, E. C., Vanneste, M., Lecomte, I., Baise, L. G., Longva, O., and McAdoo, B., 2012, Estimation of free gas saturation from seismic reflection survey by the genetic algorithm inversion of a p-wave attenuation model: Geophysics,  88(4), R175-R187.

Nie, J. X., Yang, D. H., and Yang, H. Z., 2004, Inversion of reservoir parameters based on the BISQ model in partially saturated porous medium: Chinese Journal of Geophysics, 47, 1241–1246.

Phandi, A., Mallick, S., 2013, Multicomponent pre-stack seismic waveform inversion in transversely isotropic media using a non-dominated sorting genetic algorithm: Geophysics, 196, 1600–1618.

Parra, J. O., 1997, The transversely isotropic poroelastic wave equation including the Biot and the squirt mechanism: Theory and application: Geophysics, 62, 309-318.

Reine, C., Vanderbaan, M., and Clark, R., 2009, The robustness of seismic attenuation measurements using fixed- and variable-window time-frequency transforms: Geophysics, 74(2), WA123-WA135.

Sen, M. K., and Stoffa, P. L., 2013, Global Optimization Methods in Geophysical Inversion (Second edition): Cambridge University Press.

Stainsby, S. D., and Worthington, M. H., 1985, Q estimation from Vertical seismic profile data and anomalous variations in central North Sea: Geophysics, 50, 615-626.

Stoffa, P. L., and Sen, M. K., 1991, Nonlinear multiparameter optimization using genetic algorithms: Inversion of plane wave seismograms: Geophysics, 56, 1794–1810.

Umbarkar, A. J., 2015, OpenMP Genetic Algorithm for Continuous Nonlinear Large-Scale Optimization Problems: Advances in Intelligent Systems and Computing, 437.