تخمین تخلخل مخازن کربناته با استفاده از مدل شبکه عصبی عمیق ترکیبی بر‌اساس داده‌های چاه

محرابی, امیررضا; باقری, مجید; نبی بیدهندی, مجید; بینیاز دلیجانی, ابراهیم; بهنود, محمد

doi:10.30499/ijg.2024.460657.1605

تخمین تخلخل مخازن کربناته با استفاده از مدل شبکه عصبی عمیق ترکیبی بر‌اساس داده‌های چاه

نوع مقاله : مقاله پژوهشی‌

نویسندگان

امیررضا محرابی ¹

مجید باقری ²

مجید نبی بیدهندی ³

ابراهیم بینیاز دلیجانی ⁴

محمد بهنود ⁴

¹ دانشجوی دکتری، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، گروه مهندسی نفت، تهران، ایران

² دانشیار، موسسه ژئوفیزیک، دانشگاه تهران، تهران، ایران

³ استاد، موسسه ژئوفیزیک، دانشگاه تهران، تهران، ایران

⁴ استادیار، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، گروه مهندسی نفت و شیمی، تهران، ایران

10.30499/ijg.2024.460657.1605

چکیده

تخمین تخلخل در مخازن کربناته به‌دلیل سیستم حفرات پیچیده و ناهمگنی مشکل و چالش‌برانگیز است. تخلخل بیانگر ظرفیت ذخیره سیال در مخزن است و به‌منظور برآورد میزان ذخایر و ظرفیت تولید حائز اهمیت است؛ لذا تخمین دقیق و صحیح تخلخل سنگ مخزن امری ضروری است. روش‌های متداول برای اندازه‌گیری تخلخل مانند آنالیز مغزه و نمودارهای چاه‌پیمایی اغلب گران و زمان‌بر هستند. روش‌ها و الگوریتم‌های یادگیری عمیق با استخراج الگوهای پیچیده از مجموعه داده‌های بزرگ و تجزیه و تحلیل داده‌های چاه می‌توانند تخمین دقیق‌تری را از تخلخل ارائه نمایند. در این مطالعه، یک رویکرد جدید با استفاده از یک مدل شبکه عصبی عمیق ترکیبی برای تخمین تخلخل بر‌اساس داده‌های چاه ارائه شده است. داده‌ها از یک مخزن کربناته در جنوب‌غربی ایران جمع‌آوری شدند و شامل داده‌های حاصل از آنالیز مغزه و نمودارهای چاه‌پیمایی (نمودار گاما، نوترون، چگالی، صوتی و مقاومت) می‌باشند. تعداد چاه‌ها 2 حلقه و تعداد مغزه‌ها 236 عدد است. مجموعه داده‌ها شامل ۲۰۰۰ نقطه داده‌ای می‌باشد که به سه بخش آموزشی، ارزیابی و اعتبارسنجی با نسبت‌های ۷۰٪، ۱۵٪ و ۱۵٪ در چاه اول تقسیم شدند و برای ارزیابی عملکرد مدل از چاه شماره دو استفاده شده است. رویکرد این مطالعه شامل جمع‌آوری و آماده‌سازی داده‌ها، طراحی معماری شبکه عصبی ترکیبی، آموزش، بهینه‌سازی و ارزیابی مدل است. برای اعتبارسنجی مدل ترکیبی شبکه عصبی عمیق ساخته شده، از داده‌های مغزه استفاده شده است. مقدار ضریب تعیین برای مدل شبکه عصبی عمیق ترکیبی با مقدار ۹۸/۰ نشان می‌دهد، این مدل دقت بسیار بالایی در پیش‌بینی تخلخل دارد. مقایسه تخلخل پیش‌بینی شده توسط مدل یادگیری عمیق ترکیبی نشان می‌دهد که عملکرد این مدل دقیق‌تر از مدل پرسپترون چند لایه بوده است.

کلیدواژه‌ها

تخلخل

مخازن کربناته

یادگیری عمیق

مدل ترکیبی

داده چاه

موضوعات

لرزه شناسی

عنوان مقاله English

Porosity estimation of carbonate reservoirs using a hybrid deep neural network model based on well data

نویسندگان English

Amirreza Mehrabi ¹

Majid Bagheri ²

Majid Nabi Bidhendi, ³

Ebrahim Biniaz Delijani, ⁴

Mohammad Behnood ⁴

¹ Ph.D. Student, Department of Petroleum Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran

² Associate Professor, Institute of Geophysics, University of Tehran, Tehran, Iran

³ Professor, Institute of Geophysics, University of Tehran, Tehran, Iran

⁴ Assistant Professor, Department of Petroleum Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran

چکیده English

Estimating porosity in carbonate reservoirs is challenging and complex due to the intricate pore systems and heterogeneity. Porosity represents the fluid storage capacity of the reservoir and is crucial for estimating reserves and production capacity; therefore, accurate and precise estimation of reservoir rock porosity is essential. Traditional methods for measuring porosity, such as core analysis and well logging, are often expensive and time-consuming. Deep learning methods and algorithms, by extracting complex patterns from large datasets and analyzing well data, can provide more accurate porosity estimations. In this study, a novel approach using a hybrid deep neural network model is presented for porosity estimation based on well data. The data were collected from a carbonate reservoir in southwestern Iran and include data from core analysis and well logs (gamma, neutron, density, sonic, and resistivity logs). The dataset comprises 2,000 data points, with 236 cores and two wells, divided into training, validation, and testing sets in the proportions of 70%, 15%, and 15%, respectively, for the first well, while the second well was used to evaluate the model's performance. The approach of this study includes data collection and preparation, the design of the hybrid neural network architecture, training, optimization, and model evaluation. Core data were used to validate the constructed hybrid deep neural network model. The coefficient of determination (R²) for the hybrid deep neural network model was 0.98, indicating that this model has a very high accuracy in predicting porosity.
A comparison of porosity predictions made by the hybrid deep learning model shows that its performance is more accurate than that of the multilayer perceptron model.

کلیدواژه‌ها English

Porosity

carbonate reservoirs

deep learning

hybrid model

well data

Aaron Courville, I.G., Yoshua Bengio, Deep Learning. Illustrated ed. Adaptive Computation and Machine Learning series. 2016: The MIT Press, 800.

Ahmadi, M.A. and Z. Chen, Comparison of machine learning methods for estimating permeability and porosity of oil reservoirs via petro-physical logs. Petroleum, 2019. 5(3), 271-284.

Allen, D., et al., Pore geometry and its geological evolution in carbonate rocks. Petrophysics-The SPWLA Journal of Formation Evaluation and Reservoir Description, 2002. 43(05).

Bagheri, M., and Riahi, M. A., Seismic data random noise attenuation using DBM filtering. Bollettino di Geofisica Teorica ed Applicata, 2016, v. 57, n. 1, p. 1.

Bagheri, M., Asadi S., and Talkhablou, M. Seismic multi-attribute analysis for fault and fracture modeling of an oil field in the south of Iran. Journal of Seismic Exploration. 2020. 29(4), 343-62.

Bagheri, M., Riahi, M. A. Support Vector Machine Based Facies Classification Using Seismic Attributes in an Oil Field of Iran. Iranian Journal of Oil and Gas Science and Technology. 2013. 2(3), 1-10.

Burchette, T.P., Carbonate rocks and petroleum reservoirs: a geological perspective from the industry. Geological Society, London, Special Publications, 2012. 370(1), 17-37.

Bust, V.K., J.U. Oletu, and P.F. Worthington, The Challenges for Carbonate Petrophysics in Petroleum Resource Estimation. SPE Reservoir Evaluation & Engineering, 2011. 14(01), 25-34.

Christopher M. Bishop , H.B., Deep Learning: Foundations and Concepts. 2023: Springer.

Khodagholi, M. A. Bagheri, M., Seismic data random noise attenuation using LLSP smoothing. Bollettino di Geofisica Teorica ed Applicata, 2020, Vol 61, Issue 2, p131.

Lai, J., et al., Prediction of reservoir quality in carbonates via porosity spectrum from image logs. Journal of Petroleum Science and Engineering, 2019. 173, 197-208.

Mazzullo, S., Overview of porosity evolution in carbonate reservoirs. Kansas Geological Society Bulletin, 2004. 79(1-2), 1-19.

Mehrabi, A., Bagheri, M., Bidhendi, M.N. et al. Improved porosity estimation in complex carbonate reservoirs using hybrid CRNN deep learning model. 2024, Earth Sci Inform 17, 4773–4790.

Moosavi, N., Bagheri, M., Prediction of Water Saturation by FSVM using Well Logs in a Gas Field. Journal of the Earth & Space Physics. 2023, v. 48, n. 4, p. 77.

Moosavi, N., et al., Hydrocarbon reservoir parameter estimation using a fuzzy Gaussian based SVR method. Bulletin of Geophysics & Oceanography (BGO), 2024, v. 65, n. 4, p. 70.

Moosavi, N., et al., Porosity prediction using Fuzzy SVR and FCM SVR from well logs of an oil field in south of Iran. Acta Geophysica, 2023. 71(2), 769-782.

Okon, E.I. and D. Appah. Application of Machine Learning Techniques in Reservoir Characterization. in SPE Nigeria Annual International Conference and Exh. 2021.

Stadtműller, M. and J.A. Jarzyna, Estimation of Petrophysical Parameters of Carbonates Based on Well Logs and Laboratory Measurements, a Review. Energies, 2023. 16(10), 4215.

Tiab, D. and E.C. Donaldson, Petrophysics: theory and practice of measuring reservoir rock and fluid transport properties, 2019.

Tian, X., et al., A Carbonate Reservoir Prediction Method Based on Deep Learning and Multiparameter Joint Inversion. Energies, 2022. 15(7), 2506.

Wang, J., J. CAO, and X. ZHOU, Reservoir porosity prediction based on deep bidirectional recurrent neural network. Progress in Geophysics, 2022. 37(1), 267-274.

Wang, Y., et al., Gaussian mixture model deep neural network and its application in porosity prediction of deep carbonate reservoir. Geophysics, 2022. 87(2), M59-M72.

Xu, C., et al., Machine learning in petrophysics: Advantages and limitations. Artificial Intelligence in Geosciences, 2022. 3, 157-161.

Zare, A., M. Bagheri, and M. Ebadi, Reservoir facies and porosity modeling using seismic data and well logs by geostatistical simulation in an oil field. Carbonates and Evaporites, 2020. 35(3): 65.

Zhang, S., et al., Graph convolutional networks: a comprehensive review. Computational Social Networks, 2019. 6(1), 1-23.

Zou, C., et al., A comparison of machine learning methods to predict porosity in carbonate reservoirs from seismic-derived elastic properties. GEOPHYSICS, 2023. 88(2), B101-B120.