Estimation of Reservoir Properties from Seismic Attributes and Well Log Data Using Artificial Intelligence

الموضوعات

علوم بحتة وطبيعية

الملخص

Permeability, Porosity and Lithofacies are key factors in reservoir characterizations. Permeability, or flow capacity, is the ability of porous rocks to transmit fluids, porosity, represent the capacity of the rock to store the fluids, while lithofacies, describe the physical properties of rocks including texture, mineralogy and grain size. Many empirical approaches, such as linear/non-linear regression or graphical techniques. Were developed for predicting porosity, permeability and lithofacies. Recently, researches used another tool named Artificial Neural Networks (ANNs) to achieve better predictions. To demonstrate the usefulness of Artificial Intelligence technique in geoscience area, we describe and compare two types of Neural Networks named Multilayer Perception Neural Network (MLP) with back propagation algorithm and General Regression Neural Network (GRNN), in prediction reservoir properties from seismic attributes and well log data. This study explores the capability of both paradigms, as automatique systems for predicting sandstone reservoir properties, in vertical and spatial directions. As it was expected, these computational intelligence approaches overcome the weakness of the standard regression techniques. Generally, the results show that the performances of General Regression neural networks outperform that of Multilayer Perceptron neural networks. In addition, General Regression Neural networks are more robust, easier and quicker to train. Therefore, we believe that the use of these better techniques will be valuable for Geoscientists.

روابط وملفات

التعريف والنوع

رقم الوثيقة

f10c7e9a-e555-466d-9c16-8ee36ec1de22

رقم العقد

0

نوع الوسائط

Crawler

نوع المحتوى

الرسائل العلمية

صيغة المصدر

رسائل ماجيستير

نوع الملف

pdf text

أسماء الملفات

947416_1.pdf

بيانات النشر

ترجمة العنوان

تقدير خصائص المكامن من المعطيات السيزمية و بيانات الآبار باستخدام الذكاء الصناعي

ألقاب المؤلفين

[{"name_ar":" محمد ستواح","title_ar":"اعداد","title_en":"Preparation"},{"name_ar":"جبور كورفين ","title_ar":"اشراف","title_en":"Supervision"},{"name_ar":"عبداللطيف الشهيل ","title_ar":"اشراف","title_en":"Supervision"}]

اللغة

English

المصدر والدورية

اسم المصدر

Estimation of Reservoir Properties from Seismic Attributes and Well Log Data Using Artificial Intelligence

المحتوى والصفحات

عدد الصفحات

0

ترجمة الملخص

المسامية، النفاذية والسحن الصخري هي عوامل رئيسية في تحديد خصائص المكمن. النفاذية ، أو تدفق القدرة ، هو قدرة الصغور لنقل السوائل ، المسامية ، تمثل قدرة الصخر لتخزين السوائل ، بينما السحن الصخري فهو وصف الخصائص الفيزيائية للصخور من الملمس حجم الحبوب والمعادن. توجد الكثير من الطرق التجربية للتنبأ بالنفاذية، المسامية و السحن الصخري ، مثل الانحدار الخطي و الانحدار اللاخطي و كذا الطرق البيانية. هذه الطرق أثبتت محدويتها في هذا المجال عندما يتعلق الأمر بتنبأ خصائص المكامن الغير متجانسة حيث أن التغيرات في خصائص المكمن تجعل من الصعوبة بمكان التنبأ بخصائصه. مؤخرا ، استخدم أداة أخرى للبحوث اسمها الشبكات العصبية الاصطناعية (ANNs) لتحقيق مستوى أفضل من التوقعات. لإثبات جدوى تقنية الذكاء الاصطناعي في مجال علوم الأرض ، قمنا بإجراء مقارنة بين نوعين من الشبكات العصبية النوع الأول يسمى ( GRNN) و الثاني ( MLP ).و ذلك باستعمال المعطيات السيزمية و تسجبل بيانات المكامن. في هذا البحث تم تناول قدرة كلتا الشبكتين العصبيتين على تنبأ بعض خصائص المكامن البترولية كالمسامية، النفاذية و السحن الصخري. عموما نتائج هذه الدراسة أثبتت نجاعت و قدرة الشبكة العصبية المسماة ( GRNN )على تنبأ خصائص المكمن و بدقة عالية تفوق تلك التي تم تقديرها باستعمال الشبكة الثانية المسماة ( MLP ). بالاضافة الى أن الشبكة العصبية ( GRNN ) أكثر سرعة و أكثر قوة. لهذا نعتقد أن استعمال هذه التقنيات المتطورة سيساعد أكثر في تطوير المكامن البترولية و يعطي نظرة أوضح للجيولوجيين و الجيوفيزيائين في تقدير حركة السوائل داخل المكمن.

إشراف وإعداد

الإشراف

جبور كورفين , عبداللطيف الشهيل

الإعداد

محمد ستواح

الاقتباسات الببليوغرافية