فهرست نشریات علمی دسترسی آزاد ایران

مقدمه مطالعه و ارزیابی مخازن هیدروکربنی، به عنوان شریان‌های حیاتی تأمین انرژی در دنیای امروز، از اهمیت بسزایی برخوردار است. مهندسان و زمین‌شناسان نفت همواره در تلاش برای درک دقیق‌تر و جامع‌تر این سیستم‌های پیچیده زیرزمینی بوده‌اند. این تلاش‌ها به‌ویژه در مورد مخازن کربناته، به دلیل ویژگی‌های منحصربه‌فرد و چالش‌های خاص آن‌ها، از اهمیت دوچندانی برخوردار است. مخازن کربناته، به دلیل فرآیندهای پیچیده دیاژنتیکی، ناهمگنی‌های ذاتی و ساختارهای شکستگی گسترده، از پیچیده‌ترین انواع مخازن هیدروکربنی به شمار می‌روند. این پیچیدگی‌ها، ارزیابی دقیق خواص پتروفیزیکی و پیش‌بینی رفتار تولیدی آن‌ها را به یک چالش بزرگ تبدیل می‌کند. در این راستا، شناسایی و تعیین گونه‌های سنگی پتروفیزیکی (Petrophysical Rock Types) و ویژگی‌های آن‌ها از جمله تخلخل، تراوایی، اشباع سیالات و توزیع اندازه حفرات، نقشی کلیدی در درک رفتار مخزن و بهینه‌سازی فرآیندهای تولید ایفا می‌کند. گونه‌های سنگی، به عنوان واحدهای بنیادی سازنده مخزن، ویژگی‌های پتروفیزیکی نسبتاً همگنی را در یک حجم مشخص از سنگ نشان می‌دهند. شناسایی و تفکیک این گونه‌ها، امکان مدل‌سازی دقیق‌تر مخزن و پیش‌بینی رفتار آن در شرایط مختلف تولید را فراهم می‌سازد. با این حال، تعیین دقیق گونه‌های سنگی در مخازن کربناته، به دلیل تنوع بالای بافت‌ها، ساختارها و فرآیندهای دیاژنتیکی، نیازمند استفاده از روش‌های پیشرفته و یکپارچه است. روش‌های سنتی ارزیابی مخازن، عمدتاً بر داده‌های مغزه و اطلاعات چاه‌پیمایی تکیه دارند. داده‌های مغزه، اطلاعات ارزشمندی در مورد خواص فیزیکی و شیمیایی سنگ مخزن ارائه می‌دهند، اما تهیه و تحلیل آن‌ها پرهزینه و زمان‌بر است و معمولاً محدود به تعداد کمی از چاه‌ها در میدان نفتی می‌باشد. اطلاعات چاه‌پیمایی، پوشش گسترده‌تری را در میدان فراهم می‌کنند، اما تفسیر آن‌ها نیازمند دانش و تجربه تخصصی است و دقت آن‌ها ممکن است تحت­تأثیر عوامل مختلفی قرار گیرد. به همین دلیل، استفاده از تکنیک‌های نوین مانند یادگیری ماشین و خوشه‌بندی، به عنوان ابزاری قدرتمند برای تحلیل داده‌های مخزنی و استخراج اطلاعات ارزشمند از آن‌ها، مورد توجه روزافزون قرار گرفته است. در این مطالعه، با هدف غلبه بر محدودیت‌های روش‌های سنتی و بهبود دقت ارزیابی مخازن کربناته، از شبکه‌های عصبی خودسازمانده (Self-Organizing Maps) برای خوشه‌بندی داده‌های چاه‌پیمایی و شناسایی الکتروفاسیس‌ها استفاده شده است. این روش، با استفاده از الگوریتم‌های یادگیری بدون نظارت، قادر است الگوهای نهفته در داده‌ها را شناسایی کرده و داده‌های مشابه را در گروه‌های مجزا دسته‌بندی کند. الکتروفاسیس‌ها، به عنوان واحدهای پتروفیزیکی متمایز در مخزن، ویژگی‌های لاگ نسبتاً یکسانی را نشان می‌دهند و می‌توانند به عنوان نماینده‌ای از گونه‌های سنگی در نظر گرفته شوند. با تطبیق الکتروفاسیس‌های شناسایی شده با داده‌های مغزه و اطلاعات زمین‌شناسی، می‌توان مدل دقیق‌تری از توزیع گونه‌های سنگی در مخزن ایجاد کرد و خواص پتروفیزیکی آن را با دقت بیشتری تخمین زد. هدف نهایی این مطالعه، ارائه یک روش کارآمد و قابل اعتماد برای ارزیابی مخازن کربناته با استفاده از تکنیک‌های یادگیری ماشین و بهبود دقت پیش‌بینی رفتار تولیدی آن‌ها است. مواد و روش­ها در این پژوهش، به منظور تعیین گونه‌های سنگی پتروفیزیکی و تخمین تراوایی در مخزن بنگستان، واقع در جنوب غرب ایران، از یک رویکرد یکپارچه شامل روش‌های خوشه‌بندی مبتنی بر یادگیری ماشین و شبکه‌های عصبی مصنوعی استفاده شده است. این رویکرد، با بهره‌گیری از داده‌های چاه‌پیمایی و اطلاعات مغزه، امکان شناسایی دقیق‌تر و کارآمدتر ویژگی‌های مخزن را فراهم می‌سازد. مجموعه داده‌های مورد استفاده در این تحقیق شامل اطلاعات نه حلقه چاه در میدان نفتی اهواز است. از این تعداد، پنج حلقه چاه دارای داده‌های مغزه (شامل اطلاعات تخلخل و تراوایی) بوده و به عنوان چاه‌های مرجع برای آموزش و اعتبارسنجی مدل‌ها مورد استفاده قرار گرفته‌اند. لاگ‌های چاه‌پیمایی مورد استفاده در این مطالعه شامل لاگ‌های چگالی (RHOB)، نوترون (NPHI)، تخلخل موثر (PHIE)، زمان عبور صوتی (DT)، و گاما (GR) می‌باشند. این لاگ‌ها، به دلیل پوشش گسترده و حساسیت به تغییرات پتروفیزیکی، به عنوان ورودی‌های اصلی برای الگوریتم‌های خوشه‌بندی و تخمین تراوایی انتخاب شده‌اند. به منظور تعیین گونه‌های سنگی پتروفیزیکی، از روش خوشه‌بندی شبکه‌های عصبی خودسازمانده (SOM) استفاده شده است. این روش، با استفاده از یک الگوریتم یادگیری بدون نظارت، قادر است داده‌های مشابه را در گروه‌های مجزا دسته‌بندی کند. در این مطالعه، داده‌های چاه‌پیمایی مربوط به چاه‌های مرجع به عنوان ورودی به شبکه SOM داده شده و پس از آموزش شبکه، داده‌ها به 25 خوشه اولیه تقسیم شده‌اند. سپس، با تحلیل ویژگی‌های پتروفیزیکی هر خوشه و تطبیق آن‌ها با اطلاعات مغزه و واحدهای جریانی هیدرولیکی (Hydraulic Flow Units)، خوشه‌های مشابه با یکدیگر ادغام شده و در نهایت، پنج گونه سنگی پتروفیزیکی متمایز شناسایی شده‌اند. واحدهای جریانی هیدرولیکی، به عنوان معیاری برای ارزیابی کیفیت مخزن، با استفاده از روش لگاریتم شاخص زون جریان (Log FZI) تعیین شده‌اند. این روش، با استفاده از داده‌های تخلخل و تراوایی مغزه، امکان تفکیک واحدهای جریانی با ویژگی‌های هیدرولیکی متفاوت را فراهم می‌سازد. تطبیق الکتروفاسیس‌های شناسایی شده با واحدهای جریانی هیدرولیکی، به عنوان یک روش اعتبارسنجی، به اطمینان از صحت و دقت خوشه‌بندی کمک کرده است. به منظور تخمین تراوایی در مخزن مورد مطالعه، از شبکه‌های عصبی مصنوعی (ANN) استفاده شده است. این روش، با استفاده از یک الگوریتم یادگیری با نظارت، قادر است ارتباط بین داده‌های ورودی (لاگ‌های چاه‌پیمایی) و داده‌های خروجی (تراوایی مغزه) را یاد بگیرد و بر اساس آن، تراوایی را در سایر نقاط مخزن تخمین بزند. در این مطالعه، از یک شبکه عصبی پرسپترون چندلایه (Multi-Layer Perceptron) با یک لایه پنهان استفاده شده است. داده‌های چاه‌های مرجع به دو مجموعه آموزشی و آزمایشی تقسیم شده‌اند. مجموعه آموزشی برای آموزش شبکه و تنظیم وزن‌های آن استفاده شده و مجموعه آزمایشی برای ارزیابی عملکرد شبکه و تعیین دقت تخمین تراوایی مورد استفاده قرار گرفته است. تراوایی، به دو روش جداگانه تخمین زده شده است: 1) تخمین تراوایی برای کل اینتروال مخزن بدون در نظر گرفتن گونه‌های سنگی، و 2) تخمین تراوایی برای هر یک از گونه‌های سنگی شناسایی شده به صورت جداگانه. مقایسه نتایج این دو روش، امکان ارزیابی تأثیر خوشه‌بندی داده‌ها بر دقت تخمین تراوایی را فراهم می‌سازد. به منظور ارزیابی عملکرد مدل‌های خوشه‌بندی و تخمین تراوایی، از معیارهای آماری مختلفی استفاده شده است. برای ارزیابی دقت خوشه‌بندی، از شاخص Silhouette و برای ارزیابی دقت تخمین تراوایی، از معیارهای ضریب همبستگی (R) و مجذور میانگین مربعات خطا (RMSE) استفاده شده است. این معیارها، امکان مقایسه عملکرد مدل‌های مختلف و تعیین بهترین مدل برای تخمین تراوایی در مخزن مورد مطالعه را فراهم می‌سازند. نتایج و بحث در این پژوهش، با استفاده از روش‌های یادگیری ماشین، موفق به شناسایی پنج گونه سنگی پتروفیزیکی متمایز در مخزن بنگستان شدیم. این گونه‌های سنگی، با استفاده از الگوریتم خوشه‌بندی SOM و تطبیق با داده‌های مغزه و واحدهای جریانی هیدرولیکی، به دقت تعیین شدند. نتایج خوشه‌بندی نشان داد که هر یک از این گونه‌های سنگی، دارای ویژگی‌های پتروفیزیکی منحصر به فردی هستند که بر رفتار جریانی سیال در مخزن تأثیرگذار است. گونه‌های ‌‌‌سنگی 1 و 2 دارای بهترین کیفیت مخزنی، گونه‌سنگی 3 کیفیت مخزنی متوسط و گونه‌‌های سنگی 4 و 5 دارای پایین‌ترین کیفیت مخزنی بودند. تطبیق الکتروفاسیس‌های شناسایی شده با واحدهای جریانی هیدرولیکی (FZI) نشان داد که همبستگی بالایی بین این دو وجود دارد. این همبستگی، نشان می‌دهد که روش خوشه‌بندی SOM به خوبی قادر به تفکیک واحدهای جریانی با ویژگی‌های هیدرولیکی متفاوت بوده است. نتایج تخمین تراوایی با استفاده از شبکه‌های عصبی مصنوعی (ANN) نشان داد که این روش، قادر به تخمین تراوایی با دقت قابل قبولی است. مقایسه نتایج تخمین تراوایی با داده‌های مغزه نشان داد که ضریب همبستگی (R) بین مقادیر تخمین زده شده و مقادیر واقعی، در حدود 98/0 است. همچنین، مجذور میانگین مربعات خطا (RMSE) در حدود 0778/0 است. مقایسه نتایج تخمین تراوایی برای کل اینتروال مخزن با نتایج تخمین تراوایی برای هر یک از گونه‌های سنگی به صورت جداگانه نشان داد که خوشه‌بندی داده‌ها، تأثیر مثبتی بر دقت تخمین تراوایی دارد. به عبارت دیگر، تخمین تراوایی برای هر یک از گونه‌های سنگی به صورت جداگانه، دقت بالاتری نسبت به تخمین تراوایی برای کل اینتروال مخزن دارد. این نتیجه، نشان می‌دهد که در نظر گرفتن ویژگی‌های پتروفیزیکی هر یک از گونه‌های سنگی، می‌تواند به بهبود دقت مدل‌های تخمین تراوایی کمک کند. نتایج این پژوهش، نشان می‌دهد که استفاده از روش‌های یادگیری ماشین، می‌تواند به بهبود دقت و کارایی ارزیابی مخازن کربناته کمک کند. روش خوشه‌بندی SOM، به عنوان یک ابزار قدرتمند برای شناسایی گونه‌های سنگی پتروفیزیکی، امکان مدل‌سازی دقیق‌تر مخزن و پیش‌بینی رفتار تولیدی آن را فراهم می‌سازد. همچنین، شبکه‌های عصبی مصنوعی (ANN)، به عنوان یک روش کارآمد برای تخمین تراوایی، امکان ارزیابی کمی ویژگی‌های مخزن و بهینه‌سازی فرآیندهای تولید را فراهم می‌سازد. با این حال، لازم به ذکر است که نتایج این پژوهش، محدود به مخزن بنگستان در میدان نفتی اهواز است و ممکن است قابل تعمیم به سایر مخازن کربناته نباشد. برای تعمیم نتایج این پژوهش به سایر مخازن، نیاز به انجام مطالعات بیشتر و بررسی داده‌های مربوط به آن مخازن است. نتیجه­گیری در این پژوهش، یک رویکرد یکپارچه مبتنی بر یادگیری ماشین برای شناسایی گونه‌های سنگی پتروفیزیکی و تخمین تراوایی در مخزن کربناته بنگستان ارائه شد. با استفاده از الگوریتم خوشه‌بندی SOM، پنج گونه سنگی متمایز شناسایی شدند که هر کدام ویژگی‌های پتروفیزیکی و رفتارهای جریانی منحصر به فردی داشتند. مدل‌های ANN، با آموزش جداگانه برای هر گونه سنگی، توانستند تراوایی را با دقت قابل قبولی تخمین بزنند. نتایج نشان داد که خوشه‌بندی داده‌ها و در نظر گرفتن ویژگی‌های پتروفیزیکی هر گونه سنگی، به طور قابل توجهی دقت تخمین تراوایی را بهبود می‌بخشد. این رویکرد، می‌تواند به عنوان یک ابزار کارآمد برای ارزیابی مخازن کربناته و بهینه‌سازی فرآیندهای تولید مورد استفاده قرار گیرد. این پژوهش به طور قابل توجهی درک ما از ویژگی‌های مخزن بنگستان را بهبود بخشید و می‌تواند به عنوان مبنایی برای توسعه مدل‌های پیشرفته‌تر در ارزیابی مخازن هیدروکربنی مورد استفاده قرار گیرد. نتایج این تحقیق همچنین می‌تواند به بهینه‌سازی فرآیندهای تولید و مدیریت منابع نفتی کمک کند و زمینه‌ساز مطالعات آینده در این حوزه شود.