جستجوی مقالات مرتبط با کلیدواژه
تکرار جستجوی کلیدواژه clustering در نشریات گروه فنی و مهندسی
clustering
در نشریات گروه مهندسی شیمی، نفت و پلیمر-
تعیین بهترین ناحیه کاندیدای پایلوت یکی از چالش های مهم و اساسی در ارزیابی اقتصادی پروژه های تزریق آب در میادین نفتی می باشد. نتایج و ثمرات این انتخاب مهم در گام ها و تصمیمات بعدی مرتبط با بررسی ریسک سرمایه گذاری در پروژه های کلان توسعه میدان نمایان گر خواهد بود. برای تصمیم گیری در این خصوص می توان از معیار های زمین شناسی، عملیاتی و اقتصادی استفاده نمود. به همین منظور، در این مطالعه از روش های تصمیم گیری چند شاخصه به همراه الگوریتم های خوشه بندی همانند کا- میانگین جهت تعیین بهترین ناحیه پیاده سازی پایلوت استفاده شد. جهت نیل به این هدف مجموعه داده های تاریخچه تولید، توزیع اشباع نفت در گستره مخزن و پارامترهای توصیف کننده خواص مخزن برای نواحی مختلف میدان استخراج شده و سپس پارامتر شاخص شباهت مخزنی برای تمام نواحی در گستره میدان محاسبه شد. در ادامه، معیارهای عملیاتی از قبیل تعداد و متوسط فاصله چاه های تداخلی (چاه های موجود در ناحیه کاندید)، تعداد و متوسط فاصله چاه های موجود در همسایگی (چاه های موجود در شعاع مشخصی از ناحیه کاندید)، و فاصله نواحی کاندیدا از تجهیزات سرچاهی تعیین شد. سپس با تشکیل ماتریس تصمیم و اعمال روش های تصمیم سازی چندشاخصه از قبیل روش شانون آنتروپی، روش تاپسیس و روش سلسله مراتبی، مقدار شاخص فرصت پایلوت برای هر ناحیه از میدان محاسبه شد. در نهایت، رتبه بندی نهایی براساس تلفیق نتایج روش های تصمیم گیری چند شاخصه با به کارگیری استراتژی میانگین رتبه ها انجام گرفت. مطابق نتایج حاصله برای سه ناحیه برتر پایلوت، خروجی روش آنالیز سلسله مراتبی به ترتیب برابر با 50/11، 46/10 و97/6% و برای روش آنتروپی شانون برابر با 67/11، 80/9 و 80/6% بود. رتبه بندی نهایی براساس تلفیق نتایج روش های تصمیم گیری چند شاخصه با به کارگیری استراتژی میانگین رتبه ها تعیین شد. براین اساس، سه ناحیه مذکور بیشترین امتیاز فرصت پایلوت را در گستره میدان کسب نموده و به عنوان اولویت های اول کاندیدای پیاده سازی پایلوت روش های تزریق آب پایه برای مطالعات توسعه ای پیشنهاد شدند.کلید واژگان: انتخاب محل پایلوت، تزریق آب، تصمیم گیری چند شاخصه، الگوریتم های خوشه بندی، تاپسیسSelecting the best candidate pilot area is one of the most important and challenges decisions in the oil and gas filed development plan. Pilot-scale projects are conducted to reduce reservoir uncertainties and investment risk and the lesson learned from this study will be extended to the full field implementation. The main objective of this study is to utilize sseveral geological, operational and economic criteria to make decisions optimally among candidate areas. Firstly, reservoir similarity index (RSI) is calculated using the oil production history, saturation data. For this reason, clustering methods including k-means, k-medoids and c-means are used to identify the center of the dominant cluster. Afterwards, other operational criteria such as the number of interference, adjacent wells, the average distance between these wells and area center and the average distance from facilities are determined for all candidate areas. Finally, the decision matrix is created and then multi-criteria decision making (MCDM) methods are utilized to calculate pilot opportunity index for each area. According to the obtained results, the assigned pilot opportunity index of the hierarchical analysis method was equal to 11.50, 10.46 and 6.97%, and for the Shannon entropy method it was equal to 11.67, 9.80 and 6.80%, respectively for the top three pilot areas. The area with the highest value is selected as the first rank candidate for pilot implementation. Moreover, mean rank method is utilized to aggregate and introduce the best pilot area.Keywords: Pilot Selection, Water Flooding, Risk Management, Multi Criteria Decision Making, Clustering
-
Understanding the car tire market is very important for both producers and consumers due to its impact on the final price of the car, incurring fixed costs for the car owner and the high amount of financial transactions. The purpose of the current research is to explain and model the behavior of tire buyers based on four factors using a combined approach. In the first step, by reviewing the literature and the background of the research, the factors affecting the purchase of Iranian or foreign tires were identified according to the four factors of personal, market, store and product. In the second step, in order to analyze the behavior of Iranian or foreign rubber buyers, using non-hierarchical cluster analysis (mean k) and based on the 24 factors of the analyzed population and the number of optimal clusters according to the Davis-Bouldin index, Then, using artificial neural networks, the independent variables of the research (four factors of personal, market, store and product) were used to predict the dependent variable (purchase of Iranian or foreign tires). The statistical population of the research was Iranian or foreign rubber buyers in the west of Mazandaran province, and due to the unlimited population of the research, the unlimited population formula was used to determine the sample size, the minimum sample size was 384 and the analysis was done on 527 usable questionnaires. The results of the research showed that in the first cluster, in the order of price, safety standards, image and reputation of the store, and in the second cluster, in the order of proximity, friendly behavior of sellers, and the breadth of choice, they have obtained the most centers of the clusters. The use of neural networks showed that the independent variables of the research have a good predictive ability and by using them, 0.886 changes of the dependent variable can be predicted.
Keywords: consumer behavior, tires, clustering, artificial neural network -
تعیین گونه های سنگ در ساخت مدل استاتیک و پویای مخازن هیدروکربنی از اهمیت ویژه ای برخوردار می باشد. تخمین دقیق خواص سنگ های مخزنی، باعث افزایش دقت و صحت در پیش بینی میزان ذخیره مخزن و عملکرد آن می شود. تاکنون مدل های متعددی برای تعیین گونه های سنگ های مخزن توسط متخصصین پیشنهادشده است؛ اما اکثر مدل های پیشنهادی بر اساس روش های متداول مدل محور مهندسی و زمین شناسی سنگ های مخزنی کربناته استوار بوده است. بنابراین استفاده از یک روش یادگیری ماشین برای تعیین گونه های سنگی در مقایسه با روش های پیشین و مقایسه کارایی و عملکرد آن با سایر روش ها ضروری به نظر می رسد. در این مطالعه داده های مغزه و لاگ در مخزن نفتی مارون پس از آماده سازی، با استفاده از تکنیک سری های زمانی پویا (DTW) هم عمق سازی شده اند. سپس داده های مغزه توسط روش یادگیری ماشین غیر نظارتی کی-میانگین خوشه بندی شدند. همچنین فرآیند خوشه بندی داده های مغزه توسط روش های متداول مدل محور از قبیل روش شاخص منطقه جریانی (FZI) و وینلند نیز انجام گردید. در ادامه نتایج خوشه بندی با استفاده از روش های کی-میانگین، شاخص منطقه جریانی و وینلند با در اختیار داشتن اطلاعات لیتولوژی لاگ ها صحت سنجی شده و با یکدیگر مقایسه شده است. روش کی-میانگین با معیار صحت سنجی 93.5 درصد، موفق به انجام بیشترین تفکیک پذیری خوشه ها شد که نشان داد روش یادگیری ماشین مبتنی بر داده کی-میانگین، جایگزین مناسبی برای روش های متداول مدل محور برای خوشه بندی گونه های سنگی می باشند.کلید واژگان: خوشه بندی، مخزن، گونه سنگی، لاگ، هم عمق سازی، مغزهDetermination of rock types is of special importance in the construction of static and dynamic models of hydrocarbon reservoirs. Estimating the properties of reservoir rocks increases the accuracy in predicting the amount of reservoir storage and its performance. Numerous models have been proposed by experts to determine the types of reservoir rocks. But most of the proposed models are based on conventional methods based on engineering and geology of carbonate reservoir rocks. Therefore, using a machine learning method to determine rock species in comparison with previous methods and comparing its efficiency and performance with other methods seems necessary. In this study, core and log data in maroon oil reservoir after preparation were match using Dynamic Time Series (DTW) technique for depth matching. The brain data were then clustered by the non-supervised machine learning method. The kernel data clustering process was also performed by conventional model-based methods such as flow zone index method (FZI) and Winland. Then, the clustering results were validated and compared with kmeans, FZI and Winland methods by having the lithology information of the logs. The kmeans method with a 93.5% accuracy criterion succeeded in performing the highest cluster resolution, which showed that the kmeans data-based machine learning method is a suitable alternative to conventional model-based methods for clustering rock typing.Keywords: Clustering, Reservoir, Rock Type, well log, depth matching, Core
-
In particular, quantitative laboratory measurements are challenging to perform due to their costs and time consumption. So, the need to explore other available data interconnectivity to permeability is of great importance. One of these data is NMR (Nuclear Magnetic Resonance) log data which have been used frequently in recent studies. It is considered to segregate different groups, which can be obtained through cluster analysis. Using reliable parameters in the cluster analysis helps to segregate different rock units which can be used in the permeability models. To select reliable parameters, cross plots of the permeability versus extracted features from the NMR T2 distribution curve were plotted. Results indicate that TCMR, peak reading amplitudes, and T2Lm are the best permeability indicators, respectively. Cluster analysis was performed on T2LM, TCMR and Peak reading amplitudes, which showed the highest consistency with core derived data compared with other parameters. The crucial step is to determine the best estimate of the number of clusters. It is usually taken as a prior in most clustering algorithms. In this research, Davies-Bouldin criterion values versus the number of clusters were used to obtain the optimal number of clusters. The knee method, which finds the “knee” in many clusters vs. clustering evaluation graph, was used. A clustering model with the number of clusters from 2-100 was created. It showed the five is an optimal number of clusters. Subsequently, the Schlumberger-Doll-Research (SDR) coefficients for each cluster were modified using a curve fitting tool in the Matlab software. Results indicated that calculated permeability using cluster analysis showed a higher correlation by core derived permeability than the original SDR permeability model. Since this is the core part of the group attempt to use extracted T2 distribution features in permeability estimation in carbonate reservoirs, more investigation is required to attempt satisfactory results to standardize the value of the coefficient of the permeability models in carbonate rocks with different petrophysical properties.
Keywords: NMR, Peak Analysis, Clustering, Timur-Coates, SDR -
این پژوهش برای اولین بار به مطالعه مخزن خامی از جنبه الکتروفاسیس و تفکیک بخش های مخزنی در 5 چاه و شناسایی واحدهای جریانی در 2 چاه در میدان نفتی مارون می پردازد. همچنین برای اولین بار در این میدان نفتی داده های واحدهای جریانی با داده های حاصل از مطالعات پتروگرافی در این مطالعه مورد مقایسه قرار گرفتند. در این میدان براساس داده های حاصل از نگارهای چاه پیمایی و روش خوشه بندی 5 الکتروفاسیس شناسایی و تفکیک شدند. در ادامه الکتروفاسیس های مورد مطالعه با واحدهای جریانی حاصل از تخلخل و تراوایی مغزه ها مطابقت شدند. داده های حاصل از آزمایش فشار مویینه نشان می دهند که از واحد جریانی 1 به سمت واحد جریانی 4 به مقدار و اندازه گلوگاه های تخلخل اضافه شده و ارتباط این گلوگاه ها افزایش می یابد. مقایسه الکتروفاسیس ها و داده های واحدهای جریانی همراه با مطالعات پتروگرافی مخزن نشان دهنده ارتباط مناسب الکتروفاسیس ها و لیتوفاسیس ها است. همچنین، ارتباط نزدیکی بین اطلاعات مربوط به الکتروفاسیس ها و لیتوفاسیس ها نشان می دهد که مخزن خامی تا حدودی یک مخزن پتروفیزیکی است، به طوری که تغییرات زون های تولیدی با تغییرات پتروفیزیکی همخوانی کاملا واضحی نشان می دهد. در خاتمه مدل نهایی حاصله در چاه مبنا براساس تلفیق الکتروفاسیس های تعیین شده و لیتوفاسیس های مورد مطالعه این مدل در کل چاه های موجود واقع در میدان نفتی مارون بسط داده شد. این مدل قادر به شناسایی و تفکیک نواحی دارای کیفیت مخزنی خوب و بد از یکدیگر است. مدل حاصله در مخزن خامی از میدان مارون می تواند جهت توسعه مدل استاتیک مورد استفاده قرار گیرد.
کلید واژگان: الکتروفاسیس، لیتوفاسیس، خوشه بندی، روش SOM، گروه خامی، میدان نفتی مارونIn this research electrofacies and reservoir zonation in 5 wells together with flow unit characterization in the Khami reservoir are investigated in Marun oilfield for the first time. The flow units data are compared with petrographic studies in this oilfield. Based on well logging data as well as clustering method, 5 electrofacies determined and separated. The studied electrofacies are correlated with flow units derived from core porosity and permeability. Capillary pressure tests indicated an increase of amount and porous size from flow unit 1 to flow unit 4 together with increment in their relationship. Based on electrofacies and flow units data along with petrography studies the comparison in reservoir indicated a suitable relationship between electrofacies and lithofacies. Similarity between electrofacies and lithofacies data indicated that the Khami reservoir is almost a petrophysical reservoir reflecting compatible characteristics between productive zones and petrophysical variations. Integration between determined electrofacies and the studied lithofacies presented as a final model in base well and developed all over the Marun oilfield. This model can determine and differentiate areas involving good and bad reservoir quality. The proposed model can apply for developing a static model in the Maron oilfield.
Keywords: Electrofacies, Lithofacies, Clustering, SOM method, Khami Group, Marun oilfield -
تحلیل رخساره های لرزه ای نقش بسزایی در مطالعات مخازن هیدروکربنی دارد. از آن جا که در ابتدای شروع عملیات اکتشافی مخازن هیدروکربنی تعداد چاه های موجود در منطقه کم است و یا وجود ندارد، می توان با استفاده از الگوریتم های شناسایی الگو و نشان گرهای مناسب لرزه ای به بررسی تغییرات جانبی و آنالیز رخساره های لرزه ای در یک افق پرداخت. رو ش های نظارتی و غیرنظارتی کمک شایانی به دقت، سرعت و کاهش هزینه دسته بندی داده ها و تحلیل بهتر رخساره های لرزه ای می کنند. اساس رو ش های غیرنظارتی، که موضوع این مقاله است، دسته بندی تمام داده ها در فضای نشان گری است و نتیجه به دست آمده به اطلاعات پیشین بستگی ندارد. در این روش، دسته بندی و تفسیر نتایج به دست آمده، بدون استفاده از داده های چاه، با آنالیز تطابق بین رخساره های لرزه ای به دست می آید. رو ش های گوناگونی برای خوشه بندی غیرنظارتی وجود دارد. در این مقاله روش مدل های ترکیبی گوسی (GMM) مورد استفاده قرار گرفته است که با استفاده از توزیع گوسی و اختصاص احتمال عضویت به نمونه های تحلیل، خوشه بندی آن ها را تعیین می کند. با استفاده از این روش تحلیل رخساره لرزه ای برروی یک مجموعه داده سه بعدی مربوط به یکی از میادین هیدروکربنی جنوب ایران انجام می شود. تحلیل برروی دو افق مختلف انجام شده است و نتایج نشان می دهد که روش GMM عملکرد قابل قبولی در خوشه بندی دارد و نتایج با تحلیل کیفیت مخزنی حاصل از رخساره های الکتریکی در برخی چاه ها هم خوانی دارد.کلید واژگان: رخساره لرزه ای، خوشه بندی، طبقه بندی غیرنظارتی، مدل ترکیبی گوسی، کیفیت مخزنیPetroleum Research, Volume:30 Issue: 112, 2020, PP 129 -144Seismic facies analysis plays an important role in the studies of hydrocarbon reservoirs. Because in the beginning of exploration operations of hydrocarbon reservoirs, there is no or low number of wells in the area, the lateral changes and seismic facies analysis in a special horizon can be studied using pattern recognition algorithms and seismic attributes. Supervised and unsupervised methods have an important role in increasing the accuracy and the speed and decreasing the costs of data classification which a good analysis of seismic facies can be provided. The base of unsupervised methods, which is also the subject of this study, is the classification of all data in attribute space, and the result does not depend on prior information. In this method, the classification and interpretation of results are carried out by matching analysis between seismic facies, without using well data. There are several methods of unsupervised clustering. In this paper, the Gaussian Mixture Models (GMM) method has been employed which it uses some gaussian distributions and assigns membership probability to analysis samples in order to classify them. By using this method, seismic facies analysis is processed on a 3D seismic data set acquired in a hydrocarbon field in south of Iran. The analysis is carried out on two different horizons where the results show an acceptable facies classification by the GMM method, and the results are in a good agreement with reservoir quality analysis of electrofacies in some wells.Keywords: seismic facies, Clustering, unsupervised classification, gaussian mixture model, Reservoir Quality
-
هندسه محیط متخلخل از مهم ترین عوامل تاثیرگذار در آنالیز خواص انتقالی است. مدل حفره-گلوگاه به منظور توصیف خواص انتقالی در محیط متخلخل استفاده می شود. در این مطالعه، روشی برای ایجاد شبکه حفره ها بر اساس مشخصه های استاتیک مربوط به محیط متخلخل ارایه شده است. در این روش، با استفاده از توزیع اندازه حفره ها، توزیع عدد هم آرایی و تخلخل مشخص، یک مدل شبکه حفره ها نامنظم ایجاد می شود. مدل ارایه شده بر مبنای توابع احتمالی ایجاد می شود، به همین دلیل دارای جواب های متنوعی است. با قرار دادن تخلخل به عنوان تابع هدف، شبیه سازی تا رسیدن به نقطه تطابق میان تخلخل ورودی و مدل توسعه داده شده ادامه می یابد. این مدل نامنظم، شامل خواص استاتیک مدنظر از قبیل توزیع اندازه حفره ها، توزیع عدد هم آرایی و تخلخل است. عدد هم آرایی برای این مدل می تواند بین 0 تا 26 متغیر باشد. در این مدل، الگوریتم خوشه بندی به گونه ای است که شبکه مرتبط به تخلخل مفید به صورت مجزا نمایش داده شود. در انتها، پارامترهای استخراجی از تصاویر سی تی اسکن مربوط به یک سنگ سیلیکا مصنوعی حاصل از الگوریتم حفره ها ماکسیمم اصلاح شده به عنوان ورودی مدل، استفاده شده است. مقایسه نتایج حاصل از دو مدل نشان از انطباق مناسب میان مشخصه های استاتیکی و ساختاری است.کلید واژگان: مدل شبکه حفره ها، خوشه بندی، توزیع اندازه حفره ها، توزیع عدد هم آرایی، تخلخلIn this study, a method for generating a pore network model based on porous media static characteristics has been presented. The method with the aim of pore size, coordination number distribution and the porosity is developed to generate an irregular pore network model. Because the model uses probability functions, it has different answers. In order to optimize model, porosity is used as target function. This irregular model has all of the desired static properties such as pore size, coordination number distribution and porosity. The model coordination number can vary from 0 to 26. An effective pore network is extracted using a new clustering algorithm. Finally, the results of an extracted pore network from the CT scan image of a synthetic silica achieved from maximal ball algorithm were used as the model inputs. The outcome of the developed model was compared with the mentioned model and statically and structural agreement was found.Keywords: Pore network model, Clustering, Pore size distribution, Coordination distribution, porosity
-
مسئله استتار قرن هاست که به وسیله حیوانات و انسان ها به منظور محافظت خود از دشمن و در واقع راهی برای جلوگیری از دیده شدن هدف توسط مشاهده گر استفاده می شود. در مقاصد نظامی نیز برای تغییر شکل دادن نیروها و تجهیزات در برابر شناسایی دشمن از استتار به عنوان فریب نظامی استفاده می شود. در زمان های قدیم تولید طرح های استتاری توسط هنرمندان و به طور دستی انجام می شد که بسیار زمان بر و پر هزینه بود. امروزه با پیشرفت فناوری و اهمیت داشتن استتاری مناسب، استفاده از روش های پردازش تصویر نظیر فیلترهای بهبود تصویر، فیلترهای تشخیص لبه، شکل شناسی ریاضی، استفاده از روش خوشه بندی k-meansو نیز استفاده از فرکتال سبب افزایش دقت و سرعت تولید این گونه طرح ها می شود. در این بررسی، پژوهش های انجام گرفته در زمینه تولید، ارزیابی و تشخیص استتار با استفاده از روش های پردازش تصویر بررسی شد.کلید واژگان: طرح استتاری، پردازش تصویر، خوشه بندی، فرکتالApplied camouflage technique in order preventing of sight are used by animals and humans for centuries. In military application camouflage techniques are used for hiding armies and equipment against enemies detection. In the past designing camouflage pattern was done by painting artists which was so costly and time-consuming. However todays by promotion in machine vision techniques such as image processing, designing suitable camouflage pattern can be done by using it. Some of image processing methods which are used in camouflage subjects are image enhancement filters, edge detection filters, mathematical morphology, using k-means clustering as well as the use of fractal dimension. In this paper the studies related to designing, evaluation and detection of camouflage pattern are mentioned and reviewed.Keywords: Camouflage pattern, Image Processing, Clustering, Fractal
-
در این مطالعه استعداد مخزنی دو سازند آقچاگیل و آپشرون که عمدتا شامل ماسه، سیلت و شیل می باشند بررسی شده است. به این منظور مقاطع نازک موجود از خرده های حفاری مربوط به چاه A بررسی و چهار رخساره سیلت ماسه ای، گل ماسه ای، سیلتی و گلی شناسایی شده است. براساس تغییرات نمودار اشعه گاما (GR) و رخساره های رسوبی چاه مورد مطالعه به 8 زون تفکیک شده است. زون 7 این چاه به دلیل کامل بودن داده های پتروفیزیکی و زمین شناسی برای بررسی کیفیت مخزنی انتخاب شده است. در ادامه نمودارهای گامای تصحیح شده (CGR)، تخلخل نوترونی (NPHI) و چگالی (RHOZ) به عنوان داده های ورودی برای مدل سازی الکتروفاسیس انتخاب شد، و با استفاده از روش خوشه بندی MRGC مقادیر این نمودارها در 5 الکتروفاسیس خوشه بندی شده اند. الکتروفاسیس 1 به دلیل مقادیر بالای نمودارهای CGR و RHOZ و پایین NPHI و الکتروفاسیس 5 به دلیل مقادیر پایین CGR و RHOZ و بالای NPHI به ترتیب پایین ترین و بالاترین کیفیت مخزنی را دارا می باشند.از طرفی مقایسه الکتروفاسیس ها و رخساره های رسوبی نشان دهنده انطباق الکتروفاسیس های دارای کیفیت خوب و پایین به ترتیب سیلت، گل ماسه ای و گل است. نتایج این مطالعه نشان می دهد داده های پتروفیزیکی در چاه های دارای داده های ناقص زمین شناسی می تواند در تحلیل کیفیت مخزنی مفید واقع شود.کلید واژگان: الکتروفاسیس، استعداد مخزنی، خوشه بندی، رخساره رسوبی، آپشرون، آقچاگیلPetroleum Research, Volume:27 Issue: 92, 2017, PP 106 -119This article aimed to explore the reservoir potential of the two formations, namely Apsheron and Aghchagil which primarily are comprised of sand, silt and shail. To this end, the existing thin sections taken from cutting drilling pertaining well A were considered. Consequently, four facies of sandy silt, sandy mud, silt and mud were discovered. Based on the variations taken place in the gamma ray (GR) log and sedimentary facies, the intended well was divided into eight zones. Given its completeness of the petrophysical and geological data for considering reservoir quality, the zone #7 proved to be the best case for this study. Following this process, corrected gamma ray (CGR), neutron porosity hydrogen index (NPHI) and density log (RHOZ) were selected as the input data for electrofacies modeling; therefore, through making use of MRGC clustering model, the amounts of these logs were clustered in five electrofacies clusters. Electrofacies #1 was marked, in terms of high degrees of CGR and RHOZ and low degree of NPHI, as possessing the lowest level of reservoir potential. Similarly, electrofacies #5 was marked, in terms of low degree of CGR and RHOZ and high degree of NPHI, as possessing the highest level of reservoir potential. On the other hand, the comparison between the electrofacies and sedimentary facies demonstrates the electrofacies correlation ranging from the highest to lowest quality facies, namely silt, sandy mud and mud, respectively. The results have revealed that the petrophysical data within the wells demonstrating incomplete data might come in handy for the reservoir potential analysis.Keywords: Electrofacies, Reservoir Potential, Clustering, Sedimentary Facies, Apsheron, Aghchagil
-
مطالعه الکتروفسیس های مخزن یکی از موضوعات مهم کنونی در ارزیابی نهایی مخازن هیدروکربنی می باشد، تعیین زون های با کیفیت مخزنی بالا می تواند نقش به سزایی در مباحث تولید از مخازن هیدروکربنی و توسعه میادین داشته باشد. الکتروفاسیس بر مبنای خوشه بندی داده ها تعریف می شود، مبنای خوشه بندی، قرار دادن نمودارهای پتروفیزیکی مشابه در گروه های یکسان و تمایز آنها از سایر گروه ها می باشد. پژوهش حاضر درخصوص سازند بنگستان در یکی از میادین نفتی جنوب غرب ایران صورت پذیرفته است. در ابتدا با استفاده از روش های مختلف خوشه بندی SOM ،MRGC و DC در تعدادی از چاه های میدان، مدل اولیه الکتروفاسیس تعیین گردید. الکتروفسیس های تعیین شده با واحدهای جریانی حاصل از تخلخل و تراوایی مغزه چاه پیمایی تطابق داده شد و از بین آنها روش خوشه بندی SOM که دارای بیشترین تطابق بود جهت خوشه بندی انتخاب گردید. 9 الکتروفاسیس اولیه ایجاد شده که با توجه به شباهت برخی از پارامترها از قبیل تخلخل موثر و نگار پرتو گاما به 4 الکتروفاسیس تقلیل داده شد. این الکتروفاسیس ها به کل میدان بسط داده شد و در نتیجه مدلی ایجاد گردید که توانایی جدایش بخش های مختلف مخزنی را از همدیگر دارا بود. این مدل نشان دهنده کاهش کیفیت مخزنی از بخش های بالایی مخزن به سمت بخش های پائینی مخزن بود و همچنین بیانگر تغییرات کیفیت مخزنی در طول میدان می باشد.کلید واژگان: الکتروفاسیس، مخزن بنگستان، خوشه بندی، شبکه عصبی خود سازماندهThe reservoir electrofacies study is one of important subjects in hydrocarbon reservoirs scope now. Determination of the high reservoir quality zones can play an important role in production view of the hydrocarbon reservoir and their development. Electrofacies is defined on the basis of clustering which is grouping all similar log data in unique set and distinguished it from other sets. In the present research at first using SOM, MRGC and DC methods, primary model of electrofacies in a number of fields wells has been determined. Electrofacies have determined by different methods correlated with identified flow units derived Core storage capacity (phie*h)-flow capacity(K*h) data, and SOM method has been chosen among them for clustering which had the highest accordance. 9 created Initial electrofacies reduced to 4 electrofacies according to the analogy of some parameter; such as, porosity and gamma logs. This electrofacies have been generalized for entire filed resulting in creation of a model with separation capability of the deferent reservoir zones. This model shows a decrease in reservoir quality from the upper part to the bottom of the reservoir also depicts reservoir quality changes whole the studied field.Keywords: Electrofacies, Bangestan Reservoir, Clustering, SOM Neural Network
-
هدف از این پژوهش، معرفی بهترین روش خوشه سازی جهت تعیین رخساره های الکتریکی مخزنی در چاه های فاقد مغزه می باشد. تعیین رخساره های الکتریکی در اصل یک روش قطعی یا تحلیلی برای دسته بندی داده های چاه نگارهای پتروفیزیکی است که می تواند نشان دهنده تغییر ویژگی های زمین شناسی یا مخزنی باشد. رخساره های الکتریکی بر مبنای خوشه سازی داده ها تعریف می شود. مبنای خوشه سازی، قرار دادن داده های نمودارهای پتروفیزیکی مشابه در گروه های یکسان و تمایز آنها از سایر گروه ها می باشد. در این پژوهش، روش های مختلف خوشه سازی مورد بررسی قرار گرفته و با یکدیگر مقایسه شدند. از میان این روش ها، روش MRGC به عنوان بهترین روش معرفی شد. بدین منظور با استفاده از نرم افزار ژئولاگ، چهار روش خوشه سازی اعم از روش چند تفکیکی بر پایه گراف(MRGC)، روش سلسله مراتبی(AHC)، روش شبکه عصبی خود سازمانده(SOM) و روش پویا (DYNCLUST) جهت تعیین رخساره های الکتریکی مخزنی در چاه 2S-05 میدان سلمان به کار برده شد و تعداد 9 رخساره الکتریکی در هر روش خوشه سازی تعیین گردید. رخساره های الکتریکی تولید شده توسط بهترین روش خوشه سازی(MRGC)، با استفاده از لاگ های GR، اDT،ا RHOB و NPHI بر اساس کیفیت مخزنی از خوب به بد مرتب گردید. این مطالعات بر روی بخش عرب که اصلی ترین بخش مخزنی میدان سلمان می باشد و بیشترین تولید نفت(70%) از این بخش بوده است، انجام گرفت.کلید واژگان: خوشه سازی، رخساره الکتریکی، نمودارهای پتروفیزیکی، بخش عرب، میدان سلمانPetroleum Research, Volume:26 Issue: 87, 2016, PP 107 -117Primary objective of this project is introducing the best clustering method to determine the Electrofacies in without core wells. Electrofacies concept in fact is a deterministic or analytical method for clustering petrophysical well-log data. They can indicate changes in geological features or reservoir. Electrofacies is defined based on clustered data, and placement of logs and similar data in the same group which is differentiated from other groups. In this study, different clustering methods were studied and compared with each other. Among these methods, the best method was introduced as MRGC method. For this purpose, the Geolog software was employed to use four clustering methods including Multi Resolution Graph based Clustering method (MRGC), Ascendant hierarchical method (AHC), Self-organizing neural networks method (SOM) and dynamic clustering method (DYNCLUST) to determine the reservoir electrofacies in Salman 2S-05 well. Thus, 9 electrofacies were determined in each clustering. Electrofacies produced by the best clustering method (MRGC), using well logs including GR, DT, RHOB and NPHI. They were sorted based on reservoir quality from good to poor. This study was performed on the Arab member. Arab member is the main reservoir in Salman field, and the highest oil production (70%) from this formation has been reported.Keywords: Clustering, Electrofacies, Petrophysical Logs, Arab Member, Salman Field
-
مطالعه رخساره های الکتریکی یکی از روش های مفید در تحلیل پتروفیزیکی چاه های فاقد اطلاعات واقعی زمین شناسی است که می تواند برای تعیین ویژگی های مخزنی نیز مورد استفاده قرار گیرد. در این تحقیق با بررسی مقاطع نازک مغزه های موجود یکی از چاه های مخزن بنگستان در میدان منصوری، سه رخساره رسوبی شناسایی شده است. براساس مطالعه نمودارهای الکتریکی و با استفاده از روش خوشه بندی MRGC، یک مدل الکتریکی 14 رخساره ای نیز به دست آمد که با ادغام رخساره ها بر اساس میانگین CGR آنها، به مدل 3 رخساره ای تغییر نمود. به علت انطباق خوب بین مدل ایجاد شده با داده های واقعی زمین شناسی در چاه مورد مطالعه، این مدل می تواند برای ارزیابی سایر چاه های این میدان نیز به کار رود. امید است این مدل بتواند در مطالعات بعدی این میدان نظیر کیفیت مخزن و نیز مدل سازی کمک نمایدکلید واژگان: رخساره الکتریکی، نمودار الکتریکی، مخزن بنگستان، میدان منصوری، مدل رخساره ای، خوشه بندیElectrofacies study is one of the useful methods in the petrophysical analysis of wells without real geological data that can be used in the study of reservoir properties. In this research, on the basis of thin section studies from the Bangestan reservoir in one of the wells within the Mansouri oil field, four sedimentary facies were identified. Based on electrical logs analysis and using clustering method of MRGC, electrical models with 14 electrofacies were identified. The combination of electrofacies, based on average values of their CGR, led to an optimized model which was composed of three facies. Because of a good correlation between the optimized model and real geological data in one of the studied wells, this model can be used for the evaluation of other wells in this field. We hope this model can be used in the future studies of this field in the evaluation of reservoir properties and modeling.Keywords: Electrofacies, Log, Facies Model, Clustering, Bangestan Reservoir, Mansouri Oilfield
-
مجله پژوهش نفت، پیاپی 81 (خرداد و تیر 1394)، صص 97 -111زون تولیدی در توالی یک چاه، شامل فواصلی از سازند مخزنی است که دارای بالاترین میزان تجمع هیدروکربن است.در مطالعه حاضر که در توالی یک مخزن گازی کربناته صورت گرفت، زون های تولیدی با دو روش کاملا متفاوت مشخص شدند. در روش اول که عموما از این روش برای تعیین زون های تولیدی استفاده می شود، با استفاده از تعیین حد برش برای دو پارامتر پتروفیزیکی، تخلخل موثرو اشباع آب موثر این فواصل مشخص شد و در روش دوم با استفاده از خوشه بندی داده های لاگ و استفاده از روش نوین MRGC این زون ها مشخص شدند. حدود برش برای پارامترهای تخلخل موثر و اشباع آب موثر به ترتیب 3=
کلید واژگان: زون تولیدی، حد برش، خوشه بندی، روش MRGCThe best reservoir intervals, i.e. pay zone in a well interval, include some sections of a reservoir formation with the highest hydrocarbon volume and the lowest water volume. In the present study, in the interval of a carbonate gas reservoir, pay zones were determined using two completely different methods. In the first method of pay zone determination, i.e. cut-off method, intervals were specified by determining cut off for two petro-physical parameters of porosity (PHIE) and effective water saturation (SWE). In the second method, namely clustering method, the zones were determined by combining clustering log data and new method of multi-reference graph cut (MRGC). Based on National Iranian Oil Company (NIOC) standards, in the first method, cut offs were considered 3 and 55 for PHIE and SWE of a gas reservoir respectively. In the clustering method, two models were applied; in one model, raw data were considered, while in the other one the evaluated logs were taken into account. With respect to the accumulation of hydrocarbon in the isolated facies in the two models, the model with evaluated logs showed higher accuracy. Finally, the accuracy of determining pay zones in the two models was investigated and compared. Given that the two methods were completely different, the accuracy of both methods to determine pay zones was observed at a very high level; the two methods were also highly consistent. As a result, in addition to cut-off method, clustering method can also be used to determine pay zones.Keywords: Pay Zone, Log Data, Clustering, Cut off, Carbonate Reservoir -
Permeability can be directly measured using cores taken from the reservoir in the laboratory. Due to high cost associated with coring, cores are available in a limited number of wells in a field. Many empirical models, statistical methods, and intelligent techniques were suggested to predict permeability in un-cored wells from easy-to-obtain and frequent data such as wireline logs. The main objective of this study is to assess different approaches to the prediction of the estimation of permeability in a heterogeneous carbonate reservoir, i.e. Fahliyan formation in the southwest of Iran. The considered methods may be categorized in four groups, namely a) empirical models (Timur and Dual-Water), b) regression analysis (simple and multiple), c) clustering methods like MRGC (multi-resolution graph-based clustering), SOM (self organizing map), DC (dynamic clustering) and AHC (ascending hierarchical clustering), and d) artificial intelligence techniques such as ANN (artificial neural network), fuzzy logic, and neuro-fuzzy. This study shows that clustering techniques predict permeability in a heterogeneous carbonate better than other examined approaches. Among four assessed clustering methods, SOM performed better and correctly predicted local variations. Artificial intelligence techniques are average in modeling permeability. However, empirical equations and regression methods are not capable of predicting permeability in the studied reservoir. The constructed and validated SOM model with 6×9 clusters was selected to predict permeability in the blind test well of the studied field. In this well, the predicted permeability was in good agreement with MDT and core derived permeability.Keywords: Permeability, Carbonate Reservoir, Clustering, Intelligent, Experimental Correlation
-
رخساره های الکتریکی در اصل یک روش قطعی یا تحلیلی برای دسته بندی داده های چاه نگارهای پتروفیزیکی است که میتواند نشان دهنده تغییر ویژگی های زمین شناسی یا مخزنی باشد. در این مقاله، ابتدا بر اساس داده های مغزه (تخلخل- تراوایی) در سه چاه مغزه گیری شده از یکی از میادین نفتی جنوب ایران، سه زون خوب، متوسط و ضعیف از نظر کیفیت مخزنی تعیین شد. سپس با استفاده از چاه نگارهای پتروفیزیکی (شامل نوترن، چگالی، صوتی و مقاومت الکتریکی حقیقی سازند) و روش خوشه سازی، مدل رخساره الکتریکی اولیه با 7 خوشه (رخساره) به دست آمد. با بررسی نتایج این مدل و مقایسه آن با داده های مغزه، رخساره هایی که تقریبا به یک گروه (زون مخزنی) تعلق داشتند، با هم ترکیب گردید. در نتیجه مدل اولیه 7 رخسارهای به مدل جدیدی با 3 خساره (معادل سه زون مخرنی) تبدیل شد. این مدل بهینه شده در سه چاه مرجع به کار برده شد که با توجه به نتیجه آن در تفکیک خوب بخشهای مختلف مخزنی، به تمام چاه های میدان مورد مطالعه تعمیم داده شد که در نهایت امکان ساخت یک مدل سه بعدی رخسارهای که بخشهای مخزنی خوب، ضعیف و متوسط را به خوبی از هم متمایز میکند، در کل میدان فراهم گردید.
کلید واژگان: رخساره الکتریکی، خوشه سازی، چاه نگار، زونبندیElectrofacies is a deterministic or analytical way to practice the partitioning of well log data, which show a variation of geologic or reservoir characteristics. In this paper, we used three cored wells located in one of the oil fields in the south of Iran. Based on the core data (porosity-permeability), the three reservoir zones were identified to have different characteristics. Based on common well logs in all wells (Rhob, Nphi, Dt, and Rt) and MRGC method, an initial electrofacies model with 7 facies was developed. By comparing the results with the core data, those facies with the same reservoir quality were merged together. Thus, we obtained a new model with 3 facies. The new optimized model was then applied to 3 cored wells. It successfully separated poor, moderate, and good reservoir zones. Therefore, the above model was propagated into all wells. The results allowed creating a 3Dfacies model of the reservoir in the field. This model properly separated the poor, moderate, and good zones of reservoir.Keywords: Electrofacies, Clustering, Well Log, Zoning
نکته
- نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
©2000-2025 magiran.com All Rights Reserved.