Metodyka oceny właściwości zbiornikowych skał z zastosowaniem sieci neuronowych

• Autorzy: Darłak, B. , Kowalska-Włodarczyk, M. , Such, P.

Warianty tytułu

EN

Estimation of reservoir properties of rocks with the use of artificial neural network

• Języki publikacji: PL

Abstrakty

PL

W badaniach nad interpretacją całościowych profili geologicznych często napotykamy na trudność związaną z brakiem odpowiedniej ilości danych wynikających z bądź wyrywkowego pobrania prób, bądź też wprowadzenia nowych technik, które nie były wcześniej stosowane, także w przypadku zniszczenia rdzenia w czasie wydobycia, czy wreszcie z wielu innych powodów technicznych. W takich przypadkach, obok stosowanych tradycyjnych metod, z pomocą może przyjść symulacja neuronowa, która pozwoli w oparciu o komplet innych danych odtworzyć przebieg zmian w profilu geologicznym poszukiwanej wielkości lub uzupełnić brakujące dane. W przedstawionej pracy zastosowano metodę sztucznych sieci neuronowych do odtworzenia trendów przepuszczalności, jako podstawowego parametru zbiornikowego, w odwiertach, gdzie przepuszczalność była oznaczona tylko wyrywkowo. Wykonano także symulację mającą na celu klasyfikację litologiczną, konieczną do wydzielania warstw zbiornikowych. Badania za pomocą sieci neuronowej wykonano w oparciu o bazę danych petrofizycznych i geofizycznych pochodzących z warstw ciężkowickich i istebniańskich odwiertów leżących na fałdzie Potoka i Bobrki, w obrębie jednostki śląskiej Karpat. W symulacjach neuronowych użyto sieci jednokierunkowej wielowarstwowej z algorytmem propagacji wstecznej. Skuteczność sieci neuronowej przedyskutowano w zestawieniu z innymi, klasycznymi metodami wyznaczania porowatości z danych petrofizycznych. Przedyskutowano optymalny dobór parametrów konieczny do poprawnej symulacji.

EN

Geological works and reservoir simulations require representative and complete sets of petrophysical data. However, in case of permeability investigations, it is difficult to obtain ones. It is caused by troubles in cutting "plug" samples of unconsolidated rocks. In such situation, artificial neural networks simulation (ANN) is the best method to complement the results of laboratory analyses. The ANN simulation method was applied to estimate values of permeability. Lithological identification was done, too. The ANN simulation were performed for the data base of Istebna i Ciężkowice sandstones from Potok and Bobrka fold of Carpathian-Silesian unit. One-dimentional, multilayer architecture of net and back propagation algorithm were used for computations. The ANN simulation results give higher values of correlation coefficients than ones obtained by classical methods. Comparison with the Katz - Thompson correlation method was done.

Słowa kluczowe

PL

skały zbiornikowe; właściwości; sieci neuronowe

EN

reservoir rocks; properties; neural networks

• Czasopismo: Prace Instytutu Górnictwa Naftowego i Gazownictwa
• Rocznik: 1998
• Tom: nr 97
• Strony: 1--32
• Opis fizyczny: Bibliogr. 27 poz., 18 tabl., tab.

Twórcy

autor

Darłak, B.

autor

Kowalska-Włodarczyk, M.

autor

Such, P.

Bibliografia

• 1. Arpat B., Gumrach F., Yeten B., 1998: The neighborhood approach to prediction of permeability from wireline and limited core plug analysis data using BP ANN. SPE Vol. 20, p. 1-8
• 2. Chillingarian G. V., i in., 1992: Carbonate reservoir characterizatio: a geologic-engineering analysis. Part 1.
• 3. Darłak B., 1997: Zastosowanie sieci neuronowych w kompleksowej analizie właściwości fizycznych skał. Praca niepublikowana. Archiwum IGNiG.
• 4. Hertz J., Krogh A. i Palmer R. G., 1995: Wstęp do obliczeń neuronowych. Wydawnictwa Naukowo-Techniczne, Warszawa.
• 5. Kacprzak T. Ślot K., 1995: Sieci neuronowe komórkowe. PWN.
• 6. Katz A. J., Thompson A. H., 1996: Quantitative oprediction… . Phys. Rev. B., Vol. 34.
• 7. Korbicz J., Obuchowicz A., Uciński D., 1994: Sztuczne sieci neuronowe. Akademicka Oficyna Wydawnicza PLJ, Warszawa.
• 8. Lovell M.A. i Harvey P.K., 1997: Developments in Photophysics. The Siociety, London.
• 9. Łoskiewicz J., Swakoń J., 1996: Zastosowanie sieci neuronowych w geofizyce. IV Konferencja Naukowo-Techniczna AGH nt.: Geofizyka w Geologii i Górnictwie, Krynica, maj, s. 245-254.
• 10. Łoskiewicz J., Swakoń J., 1994: Najnowsze osiągnięcia metodyczno-interpretacyjne w geofizyce wiertniczej. Materiały V Konferencji Naukowo-Technicznej, Dobczyce k. Krakowa, s. 153-165.
• 11. Masters T., 1996: Sieci neuronowe w praktryce. Wydawnictwa Naukowo-Techniczne, Warszawa.
• 12. McCelland J.L., Rumelhart D.E.: Explorations in paralel distributed processing. A handbook of models, programs and exercises. MIT Press, Cambridge.
• 13. Mohaghegh S., Arefi R., Ameri S., Rose D., 1994: Design and Development of Artificial Neural Network for Estimation of Formation Permeability. SPE, The Annual Technical Conference and Exhibition, Dallas 31 July – 2 August, p. 147-154.
• 14. Mohaghegh S., Arefi R., et al., 1996: Petroleum Reservoir Characterization with the Aid of Artificial Neural Networks. SPE, v. 16, p. 263-274.
• 15. Mohaghegh S., Balan B., Ameri S., 1997: Permeability Determination from Well Log Data. SPE Formation Evaluation, September, p. 170-174.
• 16. Osborne D.A., 1992: Neural Networks provie more accurate reservoir permeability. Oil & Gas Journal, Sept. 28, p. 80-83.
• 17. Osowski S., 1996a: Sieci neuronowe. Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa.
• 18. Osowski S, 1996b: Sieci neuronowe w ujęciu algorytmicznym. Wydawnictwa Naukowo-Techniczne, Warszawa.
• 19. Plewa M. Plewa S. 1992: Petrofizyka. Wydawnictwa Geologiczne.
• 20. Rogers S.J., FangJ.H., Karr C.L., and Stanley D.A., 1992: Determination of lithology from well logs using Neural Network. AAPG Bulletin, V. 76, No 5, p. 731-739.
• 21. Rogers S.J., Chen H.C., Kopaska-Merkel D.C., and Fang J.H., 1995: Predicting Permeability from Porosity Using Artificial Neural Network. AAPG Bulletin, V. 79, No 12, p. 1786-1797.
• 22. Such P., 1996: Analiza właściwości filtracyjnych skał zbiornikowych karbonu i czerwonego spągowca metodami. Mat. Konf. Piła 17-18 kwiecień.
• 23. Tadeusiewicz R., 1993: Sieci neuronowe. Akademicka Oficyna Wydawnicza RM, Warszawa.
• 24. Tiab D., Donaldson E.C., 1996: Petrophysics. Gulf Publishing Company, Huston.
• 25. von Trappe H., Kraft Т., Schweitzer С., 1995: Neuronale Netzwerke zur Permeabilitats-bestimmung in Rotliegensandstein, v. 4, April, p. 159-162.
• 26. Washbourn W.E., 1921: Note on the Method of Determining the Distribution of Pore Size in a Porous Material. Proceeding of National academy of Science, V. 7 115.6.
• 27. Zehui Huang, et al., 1995: Permeability Prediction with Artificial Neural Network modeling in the Venture Gas Field, Offshore Eastern Canada. Geophysics, v. 61, nr 2, p. 422-436.