بررسی خواص مخزنی با استفاده از دسته‌بندی و تحلیل رخساره‌های لرزه‌ای و کاربرد آن در یکی از میادین خلیج فارس

نویسندگان

1 کارشناسی ارشد، شرکت نفت و گاز پارس، تهران

2 استادیار، دانشکده فنی و مهندسی، دانشگاه بین‌المللی امام خمینی(ره)، قزوین

3 استاد، مؤسسه ژئوفیزیک دانشگاه تهران، تهران

چکیده

تحلیل رخساره‌های لرزه‌ای یک تکنیک قوی برای استخراج اطلاعات چینه‌شناسی و خواص مخزنی از داده‌های لرزه‌ای است. این تکنیک به عنوان ابزار مفیدی در مراحل مختلف اکتشاف، تولید و توسعه‌ میادین هیدروکربنی مورد استفاده قرار می‌گیرد. در این تحلیل، با استفاده از چندین نشانگر لرزه‌ای ایجاد شده در بازه‌ مورد نظر، نمونه‌های زمانی مربوط به بازتاب‌های لرزه‌ای در گروه‌های مشابهی دسته‌بندی می‌شود. در این تحقیق از دو رویکرد بدون‌ناظر و باناظر در دسته‌بندی رخساره‌های لرزه‌ای استفاده شده است. رویکرد بدون‌ناظر فقط مبتنی بر ساختار داخلی داده‌ها است و از هیچ‌گونه داده‌های چاه و اطلاعات زمین‌شناسی استفاده نمی‌کند. برای نرمال‌سازی داده‌های ورودی به این شبکه و نیز کاهش هر چه بیشتر تاثیر نوفه در پیوند بین بردارهای متعلق به گروه‌های جداگانه‌ داده‌ها، از تحلیل مولفه‌ اصلی بر روی مجموعه بردارهای ورودی استفاده می‌شود. در رویکرد باناظر، با استفاده از داده‌های نگاره‌های تخلخل و اشباع آب موثر چاه، عمل نظارت بر دسته‌بندی انجام می‌شود. نتایج حاصل از دو روش دسته‌بندی، همخوانی بالا و با داده‌های پتروفیزیکی چاه‌ها نیز سازگاری خوبی دارند. استفاده از چاه‌های شاخص برای نظارت بر روی دسته‌بندی‌ها، علاوه بر تخمین خواص پتروفیزیکی مورد نظر در فضای بین چاه‌ها، دسته‌بندی بدون‌ناظر را در بازه‌ مخزن به خوبی تایید می‌کند که این امر باعث اطمینان بالایی برای استفاده از دسته‌بندی بدون‌ناظر می‌شود. در نتیجه، تولید نقشه‌های رخساره‌ای بدون‌ناظر در افق‌های مختلف زمانی، امکان تفسیر تغییرات خواص مرتبط با هر رخساره را فراهم می‌سازد. تغییرات خواص مخزنی مرتبط با هر رخساره در نقشه‌ رخساره‌ای با سه کلاس، از بالا به کف ناحیه‌ مخزنی مورد مطالعه، با تغییرات خواص پتروفیزیکی مورد بررسی همخوانی بالایی دارند.

کلیدواژه‌ها


عنوان مقاله [English]

Reservoir characterization using seismic facies analysis and its application for one of the Persian Gulf's hydrocarbon fields

نویسندگان [English]

  • A. Erfani 1
  • H.R. Hemmati Ahoei 2
  • M. Nabi-Bidhendi 3
1 M.Sc, Pars Oil & Gas Company, Tehran
2 Assistant Professor, Faculty of Engineering, Imam Khomeini International University, Qazvin
3 Professor, Institute of Geophysics, University of Tehran, Tehran
چکیده [English]

Seismic facies analysis is a powerful technique used in extracting stratigraphic information and reservoir properties from seismic data. This technique can be implemented as a useful tool in different stages of exploration, production and development of hydrocarbon fields. In this paper, travel time samples (seismic traces) related to seismic reflections is grouped in similar classes. Using multiple seismic attributes within the target interval help us to construct a conceptual multi-attribute space in which each attribute is considered to be related to a property, or response of rock (and/or fluid). In this study, two unsupervised and supervised techniques are implemented for seismic facies analysis. In unsupervised approach, which is based entirely on the internal structure of data, and does not use any type of well and geological data as an auxiliary input to the predicting network, a self-organizing neural network (NN) is used. The results of both classifications in the study area are highly convergent and also show good consistency with petrophysical well data. In addition to estimating the petrophysical properties in interwell spaces, the use of index wells for supervision on classifications verifies the unsupervised classification in reservoir interval. This brings about a high confidence for the application of unsupervised classification. Consequently, generation of unsupervised facies maps in different time horizons facilitates the interpretation of property changes related to each seismic facies. Reservoir properties changes related to each facies in a facies map with three classes highly correspond with the petrophysical properties concerned.

کلیدواژه‌ها [English]

  • Seismic facies
  • Unsupervised classification
  • Supervised classification
  • Seismic attribute
  • Reservoir characterization
[1]     عدالت، ع؛ سیاه کوهی، ح.ر؛ 1385؛"تحلیل رخسارههای لرزهای در یکی از مخازن کربناته ایران". مجله ژئوفیزیک ایران، دوره 1، شماره 1، ص 49-37.

[2]     Raef, A. E., Mattern, F., Philip, C., and Totten, M. W. (2015). “3D seismic attributes and well-log facies analysis for prospect identification and evaluation: Interpreted palaeoshoreline implications, Weirman Field, Kansas, USA“. Journal of Petroleum Science and Engineering, 133: 40-51.

[3]     Rafiq, A., Eaton, D. W., McDougall, A., and Pedersen, P. K. (2016). “Reservoir characterization using microseismic facies analysis integrated with surface seismic attributes“. Interpretation, 4: 181-195.

[4]     Johann, P., Fournier, F., Déquirez, P.  Y., and Blanchet, C. (1996). “3D reservoir characterization by stratigraphic inversion and pattern recognition”. SEG Annual Technical Conference and Exhibition, Expanded Abstracts, 15: 1797.

[5]     Bagheri, M., and Riahi, M. A. (2015). “Seismic facies analysis from well logs based on supervised classification scheme with different machine learning techniques”. Arabian Journal of Geosciences, 8:7153-7161.

[6]     Coléou, T., Poupon, M., and Azbel, K. (2003). “Unsupervised seismic facies classification: A review and comparison of techniques and implementation”. Interpreter’s corner, The Leading Edge, 22: 942–953.

[7]     Taner, M. T. (2001). “Seismic Attributes”. Canadian Society of Exploration Geophysicists (CSEG) Recorder, 26: 48–56.

[8]     Wang, X., Zhang, B., Zhao, T., Hang, J., Wu, H., and Yong, Z. (2017). ”Facies analysis by integrating 3D seismic attributes and well logs for prospect identification and evaluation — A case study from Northwest China”. Interpretation, 5: 61-74.

[9]     Carr, M., Cooper, R., Smith, M., Taner, M. T., and Taylor, G. (2001). “The generation of a rock and fluid properties volume via the integration of multiple seismic attributes and log data”. Rock Solid Images, Houston, Texas, USA.

[10]  Yang, F. M., and K. Y. Huang. (1991). “Multi-layer perception for the detection of seismic anomalies: 61st Annual International Meeting”. Society of Exploration Geophysicists (SEG), Expanded Abstracts, 309–312.

[11]  Fournier, F., Déquirez, P. Y., Macrides, C. G., and Rademakers, M. (2002). “Quantitative lithostratigraphic interpretation of seismic data for characterization of the Unayzah Formation in Central Saudi Arabia”. Geophysics, 67(5): 1372–1381.

[12]  Saggaf, M. M., Nafi Toksöz, M., and Marhoon, M. I. (2003). “Seismic facies classification and identification by competitive neural networks”. Geophysics, 68(6): 1984–1999.

[13]  Bagheri, M., and Riahi, M. A. (2017). ”Modeling the facies of reservoir using seismic data with missing attributes by dissimilarity based classification”. Journal of Earth Science, 28: 73-78.

[14]  Matlock, R. J., McGowen, R. S., and Asimakopoulos, G. (1985). Can seismic stratigraphy problems be solved using automated pattern analysis and recognition?. 55th Annual International Meeting, Society of Exploration Geophysics, Expanded Abstracts, session S17, 7.

[15]  Qi, J., Lin, T., Zhao, T., Li, F., and Marfurt, K. (2016). “Semisupervised multiattribute seismic facies analysis”. Interpretation, 4: 91-106.

[16]  Dumay, J., and Fournier, F. (1988). “Multivariate statistical analyses applied to seismic facies recognition”. Geophysics, 53(9): 1151-1159.

[17] Simaan, M. A. (1991). “A knowledge-based computer system for segmentation of seismic sections based on texture”. 61st Annual International Meeting, Society of Exploration Geophysics, Expanded Abstracts, 289-292.

[18] Hagan, D. C. (1982). “The application of principal components analysis to seismic data sets”. Geoexploration, 20: 93–111.