بررسی و مقایسه روش‌های مرسوم تخمین سرعت موج برشی از روی داده‌های چاه‌پیمایی در یکی از مخازن ماسه‌سنگی جنوب ایران

نوع مقاله : مقاله تحقیقی‌ (پژوهشی‌)

نویسندگان

1 دانشگاه صنعتی سهند

2 دانشجوی کارشناسی ارشد/دانشگاه صنعتی سهند

3 عضو هیات علمی دانشگاه صنعتی سهند

چکیده

تخمین سرعت امواج فشارشی و برشی در صنعت نفت از اهمیت بیشتری برخوردار است. برخلاف سرعت موج تراکمی، سرعت موج برشی در تمامی چاه‌های یک میدان به دلیل تحمیل هزینه‌های بیشتر اندازه‌گیری نمی‌شود. بنابراین در صنعت نفت و گاز، استفاده از روشی که با هزینه کمتر و دقت بیشتر سرعت موج برشی را تخمین بزند، اجتناب ناپذیر است. در این مطالعه، ابتدا برای تخمین سرعت موج برشی در یک چاه، همبستگی سایر نگاره‌های موجود در آن چاه (یعنی نگاره‌های صوتی، چگالی، تخلخل نوترون، مقاومت، پرتو گاما، حجم دولومیت، حجم کوارتز و اشباع آب) با سرعت موج برشی مورد بررسی قرار گرفت و مشخص شد که نگاره‌های سرعت موج تراکمی، چگالی، حجم دولومیت و حجم کوارتز همبستگی بیشتری با سرعت موج برشی دارند و این نگاره‌ها به عنوان ورودی برای تخمین سرعت موج برشی با استفاده از روش‌های مختلف انتخاب شدند. سپس از میان روش‌های مختلف، روشی که بهترین تطابق را با داده‌های واقعی موج برشی داشته باشد، به عنوان روش بهینه انتخاب شده و از این روش برای تخمین سرعت موج برشی در سایر چاه‌ها که فاقد نگاره موج برشی هستند استفاده می‌گردد. در این مقاله از روش رگرسیون چندگانه و الگوریتم‌های یادگیری ماشین (رگرسیون بردار پشتیبان، شبکه فازی عصبی تطبیقی و شبکه عصبی عمیق) برای تخمین سرعت موج برشی استفاده شد. نتایج ما نشان می‌دهند که روش شبکه عصبی عمیق با داشتن 97 درصد همبستگی بین داده‌های سرعت موج برشی واقعی و تخمینی نسبت به سایر روش‌ها جواب بهتری ارائه داده است. بنابراین برای تخمین سرعت موج برشی در سایر چاه‌ها که فاقد نگاره موج برشی هستند از روش پیشنهاد شده در این مطالعه (شبکه عصبی عمیق) استفاده شد. برای صحت‌سنجی نتایج حاصل از شبکه عصبی عمیق در چاه‌های فاقد سرعت موج برشی، از مدل تجربی کاستاگنا استفاده شد که نتایج نشان‌دهنده تطابق خوبی میان این دو مدل است.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Investigation and comparison of conventional methods for estimating shear wave velocity from well logging data in one of the sandstone reservoirs in southern Iran

نویسندگان [English]

  • Ahsan Leisi 1
  • Hossein Kheirollahi 2
  • Navid Shad Manaman 3
1 Sahand university of technology
2 Master student, /Sahand Industrial University
3 faculty member of Sahand University of Technology,
چکیده [English]

Estimation of compressional and shear wave velocities are very important in the oil and gas industry. Unlike compressional wave velocity, shear wave velocity is not measured in all wells in a field due to its higher costs. Therefore, in the oil and gas industry, the use of a method that estimates the shear wave velocity at a lower cost and with unacceptable accuracy is inevitable. In this study, to estimate the shear wave velocity in a well, the correlation of other logs in that well (i.e. acoustic logs, density, neutron porosity, resistivity, gamma ray, dolomite volume, quartz volume, and water saturation) with shear wave velocity investigated. And it was found that the logs of compressional wave velocity, density, dolomite volume and quartz volume are more correlated with shear wave velocity and these logs were selected as inputs for estimating shear wave velocity using different methods. In the next step, among the various methods, the method that best matches the actual shear wave velocity data is selected as the optimal method. This method is then used to estimate the shear wave velocity in other wells that do not have a shear wave velocity log. In this paper, multiple regression method and machine learning algorithms (support vector regression, adaptive Nero-fuzzy inference system and deep artificial neural network) were used to estimate the shear wave velocity. In this study, data from seven wells were used. Due to the fact that only in well #7, shear wave velocity has been measured and in six other wells this feature has not been recorded, so this field data limitation has caused the data of well #7 to be divided into training, testing and validation data. In multiple variable regression methods (linear and interaction models), support vector regression and adaptive Nero-fuzzy inference system, Randomly, 70% of the data has been used for training and 30% for testing, but in the artificial neural network method, Randomly, 70% of the data has been used for training, 15% for validation and 15% for network testing. For all methods, the root mean square error and correlation between actual and estimated data are calculated. Linear model, interaction model, support vector regression, adaptive Nero-fuzzy inference system, and deep artificial neural network have provided 91, 92, 89, 94 and 98% correlation in training data, and 88, 89, 86, 90 and 92% in testing data, respectively. Also, the RMSE for each of the mentioned methods is 125.59, 115.86, 148.23, 84.36 and 80.49 in the training data and 139.77, 133.44, 166.03, 126.15 and 98.04 for the testing data, respectively. Our results show that deep artificial neural network has provided a better answer than other methods. Therefore, the method proposed in this study (deep artificial neural network) was used to estimate the shear wave velocity in other wells. To validate the results obtained from the deep artificial neural network in wells without shear wave velocity, the Castagna experimental model was used, which shows a good fit between the two models.

کلیدواژه‌ها [English]

  • Shear wave velocity
  • multiple regression
  • Support vector regression
  • Adaptive Nero-fuzzy inference system
  • artificial neural network