پژوهشهای دانش زمین

پژوهشهای دانش زمین

برآورد و مدل‌سازی مقدار کل کربن آلی به وسیله ترکیب روش‌های شبکه عصبی و زمین آماری در یکی از میادین ایران

نوع مقاله : علمی -پژوهشی

نویسندگان
ابراهیم سفیداری 1
سید محمد زمانزاده 2
علی دشتی 3
محمد حسن توکل 4
سپیده یاسمی 5
1 دانشجوی دکترای زمین‌شناسی، دانشکده زمین‌شناسی، دانشگاه تهران
2 استادیار، دانشکده جغرافیا، دانشگاه تهران
3 کارشناسی‌ارشد زمین‌شناسی، دانشکده زمین‌شناسی، دانشگاه تهران
4 دانشجوی دکترا، گروه زمین‌شناسی، جهاد دانشگاهی واحد شهید بهشتی
5 کارشناسی‌ارشد زمین‌شناسی، گروه زمین‌شناسی، جهاد دانشگاهی واحد شهید بهشتی
10.29252/esrj.9.3.94
چکیده
مقدار کل کربن آلی یکی از پارامترهای مهم در ارزیابی ژئوشیمیایی سنگ­های منشا و مدل­سازی سیستم­های نفتی در یک حوضه رسوبی است. در این مطالعه از یک روش سه مرحله­ای برای بدست آوردن این پارامتر از داده­های لاگ و مدل­سازی آن استفاده شده است. در مرحله اول با استفاده از پیرولیز راک- ایول مقدار کل کربن آلی مربوط به تعداد محدودی از نمونه­های مغزه و خرده حفاری بدست آمده است. در مرحله دوم شبکه­های عصبی هوشمند با الگوریتم پس انتشار خطا برای پیش­بینی این پارامتر از نمودار­های چاه­نگاری در محدوده هر چاه­ مورد استفاده قرار گرفتند. ضرایب تعیین بین داده­های محاسبه شده و داده­های مطلوب توسط مدل بهینه در مراحل آموزش، اعتبارسنجی و تست به ترتیب برابر با 90% ، 88% و 91% بوده که نشان از کارآمدی و دقت بالای این روش در برآورد میزان کل ماده آلی دارد. در مرحله سوم به منظور بررسی چگونگی توزیع جانبی و قائم مقدار کل کربن آلی، از علم زمین آمار و مدل­سازی استفاده شده است. روش مورد نظر همراه با مثال موردی از بزرگترین مخزن گازی غیر همراه جهان، میدان گازی پارس جنوبی در حوضه خلیج فارس ارائه گردیده است.
کلیدواژه‌ها
پیرولیز
زمین آمار
شبکه عصبی
مقدار کل کربن آلی

عنوان مقاله English

Estimation and modeling of the TOC using hybrid neural network and geostatistical approaches in the one of the Iranian fields

نویسندگان English

Ebrahim Sefidari 1
Seyed Mohammad Zamanzadeh 2
Ali Dashti 3
Mohammad Hasan Tavakol 4
Sepideh Yasmi 5
1 Ph.D Student in Geology, Faculty of Geology, University of Tehran
2 Assistant Professor, Faculty of geography, University of Tehran
3 M.Sc in geology, Faculty of Geology, University of Tehran
4 Ph.D Student, Geology Research Group, Research Institute of Applied Sciences, ACECR
5 M.Sc in geology, Geology Research Group, Research Institute of Applied Sciences, ACECR
چکیده English

The amount of the Total Organic Carbon (TOC) is one of the most important parameters in geochemical evaluation of hydrocarbon source rocks and subsequent petroleum system modeling. We proposed a three- step approach in predicting and modeling TOC content from well log data. Initially, TOC evaluated for 92 core and cutting samples by Rock-Eval pyrolysis method. In the next step the TOC were predicted using intelligent neural network with back propagation algorithm from well log data. Correlation coefficient between the network output and target data in the training, validation and testing steps for the optimized model is 0.9, 0.88 and 0.91 respectively which indicate the satisfactory approach in predicting TOC. Finally geostatistical methods were used to 3D modeling of this parameter in the field study. The proposed methodology is illustrated using a case study from the world's largest non-associated gas reservoir, the South Pars Gas Field, the Persian Gulf basi

کلیدواژه‌ها English

Pyrolysis
Geostatistics
Neural Network
Total Organic Carbon
  1. -Allison, L.E., 1960. Wet-combustion apparatus and procedure for organic and inorganic carbon in soil: Soil Science Society of America Journal, v. 24, p. 36-40.
  2. -Al-Qahtani, F.A., 2000. Porosity distribution prediction using Artificial Neural Networks, Msc. Thesis, Morgantown Virginia University.
  3. -Anderson, J.K., 1996. Limitations of seismic inversion for porosity and pore fluid: Lessons from chalk reservoir characterization exploration: SEG Annual Meeting. Society of Exploration Geophysicists, p. 309-312.
  4. -Bhatt, A. and Helle, B.H., 1999. Porosity, permeability and TOC prediction from well logs using a neural network approach, EAGE, Helsink June 1999, p. 7-11.
  5. -Chen, Q. and Sidney, S., 1997. Seismic attribute technology for reservoir forecasting and monitoring: The Leading Edge, v. 16(5), p. 445-456.
  6. -Chi, C.Y., Mendel, J.M. and Hampson, D., 1984. A computationally fast approach to maximum-likelihood deconvolution: Geophysics, v. 49(05), p. 550-565.
  7. -Deutsch, C.V., 2001. Geostatistical reservoir modeling, Oxford University Press, New York.
  8. -Fegh, A., Riahi, M.A. and Norouzi, G.H., 2013. Permeability prediction and construction of 3D geological model: application of neural networks and stochastic approaches in an Iranian gas reservoir, Neural Computing and Applications, v. 23(6), p. 1763-1770.
  9. -Hunt, J.M., 1979. Petroleum geochemistry and geology, 1st ed. San Francisco: Freeman, 766 p.
  10. -Hunt, J.M., 1996. Petroleum geochemistry and geology, 2nd edition. W. H. Freeman and Company, 743 p.
  11. -Isaaks, E.H. and Srivastava, R.M., 1989. An introduction to Applied Geostatistics, Oxford, 345 p.
  12. -Kadkhodaie-Ilkhchi, A., Rahimpour-Bonab, H. and Rezaee, M.R., 2009. A committee machine with intelligent systems for estimation of total organic carbon content from petrophysical data: Computers and Geosciences, v. 35, p. 457-474.
  13. -Kamali, M.R. and Mirshady, A.A., 2004.Total organic carbon content determined from well logs using Δ log R and neuro-fuzzy techniques, Journsl of Petroleum Scence and Engineering, v. 45, p. 141-148.
  14. -Kelkar, M., Perez, G. and Chopra, A., 2002. Applied geostatistics for reservoir characterization, Texas, Society of Petroleum Engineers (SPE).
  15. -Monjezi, M., Rajabalizadeh, M.K. and Ataei, M.A., 2011. comparative study between sequential Gaussian simulation and kriging method grade modeling in open-pit mining, Arabian Journal of Geosciences, doi: 10.1007/s12517 011-0293-8.
  16. -Peters, K.E., 1986. Guidelines for evaluating petroleum source rock using programmed pyrolysis: American Association of Petroleum Geologists Bulletin, v. 70, p. 318-329.
  17. -Peyravi, M., Kamali, M.R. and Kalani, M., 2010. Depositional environments and sequence stratigraphy of the Early Triassic Kangan Formation in the northern part of the Persian Gulf: implications for reservoir characteristics, Journal of Petroleum Geology, v. 33(4), p. 371-386.
  18. -Rahimpour‐Bonab, H., Asadi‐Eskandar, A. and Sonei, R., 2009. Effects of the Permian–Triassic boundary on reservoir characteristics of the South Pars gas field, Persian Gulf, Geological journal, v. 44(3), p. 341-364.
  19. -Russell, B.H., Lines, L.R. and Hampson, D.P., 2003. Application of the radial basis function neural networks to the prediction of log properties from seismic data: Exploration Geophysics, v. 34, p. 15-23.
  20. -Schmoker, J.W., 1981. Determination of organic-matter content of Appalachian Devonian shales from gamma-ray logs: American Association of Petroleum Geologists Bulletin, v. 65, p. 2165-2174
  21. -Sfidari, E., Kadkhodaie-Ilkhchi, A. and Najjari, S., 2012. Comparison of intelligent and statistical clustering approaches to predicting total organic carbon using intelligent systems: Journal of Petroleum Science and Engineering, v. 86, p. 190-205.
  22. -Sfidari, E., Kadkhodaie, A., Rahimpour-Bonab, H. and Soltani, B., 2014. A hybrid approach for litho-facies characterization in the framework of sequence stratigraphy: a case study from the South Pars gas field, the Persian Gulf basin: Journal of Petroleum Science and Engineering, v. 121, p. 87-102.