توصیف مخزن هیدروکربن دار ماسه سنگی F3 (دریای شمال) با استفاده از نشانگرهای لرزه ای و شبکه ی عصبی احتمالاتی

نویسندگان

1 گروه مهندسی معدن، دانشگاه صنعتی اراک

2 هیات علمی دانشکده مهندسی علوم زمین

چکیده

اکتشاف ذخایر هیدروکربنی معمولا بر اساس وارون سازی داده های لرزه ای صورت می گیرد که دارای پیچیدگیهای محاسباتی می باشد. لذا ارائه روشهای ساده تر بر مبنای شبکه های عصبی احتمالاتی می تواند از این پیچیدگی ها بکاهد و نیز با توجه به عدم قطعیت کمتر می تواند ابزار قدرتمندی برای کارهای اکتشافی باشد. در این مقاله از شبکه‌ی عصبی احتمالاتی شعاع مبنا بر اساس قاعده بیز برای تخمین تخلخل مخزن هیدروکربن دار F3 در دریای شمال استفاده شده است. با توجه به این که محاسبه‌ی احتمال درستنمایی بیز وابسته به پارامتری به نام شاخص نرمی است، در این مقاله با استفاده از روش اعتبارسنجی مقایسه ای مقدار 21/0 به عنوان شاخص نرمی بهینه انتخاب شد. بر این اساس به منظور بالا بردن قدرت تفکیک خروجی شبکه عصبی احتمالاتی، 16 بازه‌ی تخلخل از 22/0 تا 3/0 انتخاب شد که نقاط مختلف مخزن بر اساس بیشترین احتمال محاسبه شده با سه نشانگر لرزه ای انرژی، شباهت و دامنه لحظه ای در یکی از این گروه ها طبقه بندی شدند. نتایج الگوریتم احتمالاتی با نتایج روش شناخته شده تخمین تخلخل با استفاده از برازش خطی آن با مقاومت صوتی زمین مقایسه شد. نتایج ماتریس درهم آمیختگی به منظور ارزیابی کمی الگوریتم‌هانشان داد که پارامتر صحت کل برای الگوریتم شبکه عصبی احتمالاتی برابر با 7587/0 و برای معادله ی برازش خطی مقاومت صوتی برابر با 4623/0 است. علاوه بر این مقایسه‌ی عملکرد دو روش بر روی مقاطع تخمین زده شده نشان می‌دهد که شبکه ی عصبی احتمالاتی می‌تواند سازند با تخلخل بالا را که حاوی گاز می باشد با تخلخل بیشتری آشکارسازی نماید. با توجه به عدم قطعیت‌هایی که در محاسبه‌ی مقاومت صوتی زمین و معادله‌ی برازش خطی وجود دارد می‌توان شبکه‌ی عصبی احتمالاتی را به عنوان ابزاری مناسب تر به منظور تخمین تخلخل سازندها و اکتشاف ذخائر هیدروکربنی معرفی نمود.

کلیدواژه‌ها


عنوان مقاله [English]

Reservoir characterization of F3 block (North Sea) using seismic attributes and probabilistic neural network

نویسندگان [English]

  • masood lashkari ahangarani 1
  • saeed mojeddifar 2
  • mohsen hemmati chegeni 1
1 Department of mining enginering, Arak university of technology
2 Mining engineering department of arak university of technology
چکیده [English]

Hydrocarbon explorations usually are performed based on seismic inversion techniques in which there exists computational complexity. Therefore, application of simpler methods such as probabilistic neural network could be considered to decrease uncertainties of results. The present research used a probabilistic neural network to characterize the sand reservoir of F3 block in North Sea. This algorithm applies the seismic attributes of energy, similarity and instantaneous amplitude as input parameters to estimate porosity distribution. Calculating the likelihood probability is dependent on smoothing parameter. Therefore, the cross validation technique was used to determine this parameter that equals to 0.21. This paper considered 16 porosity classes from 0.22 to 0.3 as output of probabilistic algorithm. This algorithm calculated the posterior probability for every point in reservoir to belong to each of the classes. The maximum posterior probability was selected as final output. The obtained results were compared with linear equation driven regression model for acoustic impedance and porosity values. Comparison showed that the developed network could detect gas-bearing region. Also, confusion matrix was used to validate the results and the total accuracy parameter was calculated as 0.7587 and 0.4623 for probabilistic neural network and linear regression, respectively. Therefore, Bayesian neural network could be introduced as an effective tool to explore hydrocarbons because of computational complexity of seismic inversion techniques.

کلیدواژه‌ها [English]

  • Probabilistic Neural Network
  • energy
  • similarity
  • instantaneous amplitude
  • smoothing parameter

مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از تاریخ 21 دی 1399
  • تاریخ دریافت: 25 خرداد 1398
  • تاریخ بازنگری: 19 دی 1399
  • تاریخ پذیرش: 21 دی 1399