بهبود برآوردتوزیع تخلخل با استفاده از نشانگرهای لرزه‌ایمولفه‌های تک‌‌بسامد،‌ پهنای نوار لحظه‌ایو افزایش زمانtime gain) ): بررسی موردی بر روی یکی از میادین هیدروکربوری خلیج فارس

doi
چکیده

معمولا دو مجموعه از اطلاعات برای مدل­سازی ساختار زمین‌شناسی و ویژگی­های مخزن موجود است. 1- داده­های حاصل از چاه‌نگاری که دارای دقت عمقی مناسب و توزیع مکانی کمی در محدوده میدان هستند و 2- داده‌های لرزه­ای که دارای توزیع مکانی مناسب و دقت عمقی کمی هستند. لذا استفاده هم‌زمان از این دو سری داده برای توصیف پارامترهای مخزن می‌تواند نتایج بهتری نسبت به استفاده جداگانه از این اطلاعات تولید کند. برای استفاده هم‌زماننیاز به همسان‌سازی آنها است که معمولا کار مشکلی است­. ازآنجاکه نرم‌افزار‌‌های گوناگون توانایی‌‌های متفاوتی دارند و هرکدام برای وظیفه مشخصی توسعه یافته‌‌اند، بنابراین نشانگر‌‌هایی را هم که در بر می‌گیرند، متفاوت است. بررسی‌‌های این تحقیق نشان داد که نشانگر‌‌هایی از قبیل مولفه‌های تک‌‌بسامد، پهنای نوار لحظه‌ای و افزایش زمان (time gain)  میزان همبستگی بزرگی را با پارامتر تخلخل به‌دست می‌‌دهد. نشانگر‌‌های یاد شده از نرم‌افزار پترل استخراج شده‌اند. بنابراین هدف اصلی این تحقیق را می‌‌توان ترکیب نشانگرهای لرزه‌‌ای، مولفه‌های تک‌‌بسامد،‌ پهنای نوار لحظه‌ایو افزایش زمان با داده‌‌های چاه‌نگاری برای برآورد توزیع پارامترهای مخزنی بیان کرد. این تحقیق برای برآورد توزیع تخلخل موثر لایه مخزنی سروک در  یکی از میادین هیدروکربوری واقع در خلیج فارس صورت گرفت. در ابتدا از نشانگر­های موجود در نرم­افزار همپسون-راسل به کمک داده‌های چاه­نگاری برای برآورد تخلخل استفاده شد، توزیع تخلخل برآورد‌ شده دقت قابل‌‌قبولی داشت. در این حالت میزان متوسط همبستگی بین لاگ‌‌های تخلخل واقع در چاه‌‌ها و لاگ‌‌های برآورد شده برابر 68 درصد برای روش شبکه عصبی احتمال‌پذیر به‌دست آمد. در ادامه برای  بهبود برآورد ویژگی پتروفیزیکی مخزن، نشانگرهای دیگری از نرم­افزار پترل (Petrel) که در ارتباط با ویژگی­های پتروفیزیکی مخزن بودند، استخراج شدند و به همراه نشانگرهای موجود در نرم­افزار همپسون-راسل برای برآورد توزیع تخلخل مورد استفاده قرار گرفتند. این حالت باعث بهبود چشمگیری دربرآورد توزیع تخلخل شد؛ به‌‌طوری‌‌که در این حالت میزان متوسط همبستگی بین لاگ‌‌های تخلخل واقع در چاه‌‌ها و لاگ‌‌های برآورد شده برابر 79 درصد برای روش شبکه عصبی  احتمال‌‌پذیر به‌دست آمد.