مدلسازی رخسارهای مخزن با استفاده از وارونسازی تصادفی و روش آشفتگی احتمال | ||
| پژوهش های ژئوفیزیک کاربردی | ||
| دوره 8، شماره 2، مهر 1401، صفحه 141-159 اصل مقاله (904.9 K) | ||
| نوع مقاله: سایر مقالات | ||
| شناسه دیجیتال (DOI): 10.22044/jrag.2021.10352.1311 | ||
| نویسندگان | ||
| محمد کمال غریبی1؛ عبدالرحیم جواهریان* 2؛ محمد امامی نیری3 | ||
| 1کارشناس ارشد ؛ دانشکده مهندسی نفت، دانشگاه صنعتی امیرکبیر | ||
| 2استاد، دانشکده مهندسی نفت، دانشگاه صنعتی امیرکبیر و استاد بازنشسته موسسه ژئوفیزیک دانشگاه تهران | ||
| 3استادیار، انستیتو مهندسی نفت، دانشکده فنی، دانشگاه تهران | ||
| چکیده | ||
| یکی از مراحل اساسی در تعیین خواص مخزن، مدلسازی رخسارههای مختلف آن است. در این مقاله یک روش وارونسازی تصادفی برای مدلسازی رخسارهها با استفاده از نمودارهای چاهها و دادههای برانبارششده زاویهای ارائه شده است. در ابتدا با استفاده از روش شبیهسازی متوالی شاخص، احتمال شرطی رخداد شاخصهای رخساره نسبت به نمودارهای چاهها در هر سلول محاسبه شد. سپس با استفاده از روش شبیهسازی متوالی گوسی و روابط فیزیکسنگی، خصوصیات مخزنی و کشسان رخساره-های سنگی مخزن به دست آمد. به منظور ساخت و بهروزرسانی مدل رخسارهای همخوان با دادههای لرزهای از الگوریتم بهینه-سازی تصادفی آشفتگی احتمال استفاده شد. این روش با تغییر پیدرپی احتمال رخسارهای مشروط به دادههای لرزهای در هر سلول، سعی در ایجاد مدلی از رخساره و دیگر خواص مخزن دارد که همبستگی خوبی با دادههای لرزهای داشته باشد. برای به دست آوردن توزیع احتمال کلی وقوع رخسارهها از احتمال رخسارهای مشروط به دادههای لرزهای و احتمال رخسارهای مشروط به نمودارهای چاهها از مدل تاو استفاده شد. در هر مرحله پس از به دست آوردن خواص مختلف، مدل پیشرو ژئوفیزیکی ساخته شد و با دادههای لرزهای مقایسه شد. در نهایت تمامی این مراحل برای مدلهای احتمالی مختلفی که از روش شبیهسازی متوالی شاخص به دست آمد، استفاده شد. این روش در دو بعد روی دادههای مصنوعی در حالتهایی با نسبت سیگنال به نوفه متفاوت اعمال شد. در حالتی که از دادههای لرزهای با نسبت سیگنال به نوفه 9 استفاده شد، مدلی با تفکیکپذیری بالا برای رخساره به دست آمد که تطابقی 81.83 درصدی با مدل رخساره مرجع داشت و باعث بهبودی 19.97 درصدی مدل اولیه رخساره شد. به منظور بررسی بیشتر این روش در دو حالت سیگنال به نوفه 4 و 2 نیز اعمال شد که نشان داد این روش توانایی خوبی در تشخیص رخساره و دیگر خواص مخزنی و کشسان لایههای موجود در مخزن را داراست. | ||
| کلیدواژهها | ||
| مدلسازی رخسارهای؛ وارونسازی تصادفی؛ روش آشفتگی احتمال؛ شبیهسازی متوالی؛ مدل تاو | ||
|
سایر فایل های مرتبط با مقاله
|
||
| مراجع | ||
|
هاشمی، ح.، 1394، وارون سازی دادههای لرزهای برای براورد رخساره با استفاده از زمین آمار چند نقطهای و آشفتگی احتمال، رساله دکتری، دانشگاه صنعتی امیرکبیر.
Azevedo, L. and Soares, A., 2017, Geostatistical methods for reservoir geophysics, Berlin: Springer.
Bortoli, L.J., Alabert, F., Haas, A. and Journel, A., 1993, Constraining stochastic images to seismic data, In Geostatistics Tróia’92, Springer, Dordrecht, 325-337.
Bosch, M., Mukerji, T. and Gonzalez, E.F., 2010, Seismic inversion for reservoir properties combining statistical rock physics and geostatistics: A review, Geophysics, 75 (5), 75A165-75A176.
Buland, A. and Omre, H., 2003, Bayesian linearized AVO inversion, Geophysics, 68 (1), 185-198.
Buland, A., Kolbjørnsen, O. and Omre, H., 2003, Rapid spatially coupled AVO inversion in the Fourier domain, Geophysics, 68 (3), 824-836.
Caers, J. and Hoffman, T., 2006, The probability perturbation method: a new look at Bayesian inverse modeling, Mathematical Geology, 38 (1), 81-100.
Debeye, H.W.J., Sabbah, E. and van der Made, P.M., 1996, Stochastic inversion, In EAGE Winter Symposium-Reservoir Geophysics, the Road Ahead , European Association of Geoscientists & Engineers.
Doyen, P., 2007, Seismic reservoir characterization: An earth modelling perspective,Vol. 2,, Houten: EAGE publications.
Dubrule, O., 2003, Geostatistics for seismic data integration in earth models, Society of Exploration Geophysicists and European Association of Geoscientists and Engineers.
Francis, A., 2005, Limitations of deterministic and advantages of stochastic seismic inversion, CSEG Recorder, 30 (2), 5-11.
Gassmann, F., 1951, Uber die elastizitat poroser medien, Vierteljahrsschrift der Naturforschenden Gesellschaft in Zurich, 96, 1-23.
Grana, D., Mukerji, T., Dvorkin, J. and Mavko, G., 2012, Stochastic inversion of facies from seismic data based on sequential simulations and probability perturbation method, Geophysics, 77 (4), M53-M72.
Grijalba-Cuenca, A., Torres-Verdin, C. and Van der Made, P., 2000, , Geostatistical inversion of 3D seismic data to extrapolate wireline petrophysical variables laterally away from the well, In SPE Annual Technical Conference and Exhibition, Society of Petroleum Engineers.
Gunning, J. and Glinsky, M.E., 2007, Detection of reservoir quality using Bayesian seismic inversion, Geophysics, 72 (3),R37-R49.
Haas, A. and Dubrule, O., 1994, Geostatistical inversion-a sequential method of stochastic reservoir modelling constrained by seismic data, First break, 12 (11), 561-569.
Hansen, T.M., Cordua, K.S. and Mosegaard, K., 2012, Inverse problems with non-trivial priors: "efficient solution through sequential Gibbs sampling", Computational Geosciences, 16 (3), 593-611.
Hashemi, S., Javaherian, A., Ataee-pour, M., Tahmasebi, P. and Khoshdel, H., 2014, Channel characterization using multiple-point geostatistics, neural network, and modern analogy: A case study from a carbonate reservoir, southwest Iran, Journal of Applied Geophysics, 111, 47-58.
Journel, A. G., 2002, Combining knowledge from diverse sources: An alternative to traditional conditional independence hypothesis, Mathematical Geology, 34 (5), 573–596. Liu, M. and Grana, D., 2019, Accelerating geostatistical seismic inversion using TensorFlow: A heterogeneous distributed deep learning framework, Computers & Geosciences, 124, 37-45.
Ma, Y.Z., 2019, Quantitative geosciences: Data analytics, geostatistics, reservoir characterization and modeling, Springer International Publishing.
Mavko, G., Mukerji, T. and Dvorkin, J., 2020, The rock physics handbook, Cambridge university press.
Mukerji, T., Jørstad, A., Avseth, P., Mavko, G. and Granli, J.R., 2001, Mapping lithofacies and pore-fluid probabilities in a North Sea reservoir: Seismic inversions and statistical rock physics, Geophysics, 66 (4), 988-1001.
Pyrcz, M.J. and Deutsch, C.V., 2014, Geostatistical reservoir modeling, Oxford University Press.
Ravalec-Dupin, L., Enchery, G., Baroni, A. and Da Veiga, S., 2011, Preselection of reservoir models from a geostatistics-based petrophysical seismic inversion, SPE Reservoir Evaluation & Engineering, 14 (05), 612-620.
Russell, B.H., 1988, Introduction to seismic inversion methods, Society of Exploration Geophysicists.
Saberi, M.R., 2017, A closer look flatrock physics models and their assisted interpretation in seismic exploration, Iranian Journal of Geophysics, 10 (5), 71-84.
Sancevero, S.S., Remacre, A.Z., de Souza Portugal, R. and Mundim, E.C., 2005, Comparing deterministic and stochastic seismic inversion for thin-bed reservoir characterization in a turbidite synthetic reference model of Campos Basin, Brazil, The Leading Edge, 24 (11), 1168-1172.
Simm, R., Bacon, M., & Bacon, M., 2014, Seismic Amplitude: An interpreter's handbook, Cambridge University Press.
Soares, A., Diet, J.D. and Guerreiro, L., 2007, Stochastic inversion with a global perturbation method, EAGE Conference on Petroleum Geostatistics.
| ||
|
آمار تعداد مشاهده مقاله: 1,153 تعداد دریافت فایل اصل مقاله: 753 |
||
