به‌روز رسانی مدل‌های استاتیک مخزن به روش چرخه انطباق با داده‌های لرزه‌ای

نوع مقاله: سایر مقالات

نویسندگان

1 کارشناس ارشد مهندسی نفت، انستیتو مهندسی نفت، دانشکده فنی، دانشگاه تهران

2 عضو هیئت علمی، انستیتو مهندسی نفت، دانشکده فنی، دانشگاه تهران

چکیده

مدل سازی مخازن هیدروکربنی ابزاری مهم در توصیف و پیش بینی نحوه عملکرد آن می باشد. یک مدل سازی مخزن واقع بینانه در گرو ترکیب منابع مختلف داده به روشی منطقی و بهینه می باشد. داده های لرزه ای به دلیل پوشش سطح وسیعی از گستره مخزن و دارا بودن قدرت تفکیک جانبی بالا نسبت به داده های چاه، همواره در مدل سازی مخازن هیدروکربنی مورد توجه بوده است. استفاده از داده های لرزه ای با گذر زمان (چهاربعدی) نیز باعث بهبود و ارتقا مدل سازی دینامیک مخزن می شود. لازمه تلفیق داده های لرزه ای چهاربعدی در مدل سازی دینامیک مخزن، حصول اطمینان از همخوانی مدل استاتیک با داده های لرزه ای دوبعدی/سه بعدی اولیه می باشد. بدین منظور، در این پژوهش از روش چرخه انطباق مدل مخزن با داده های لرزه ای که مبتنی بر تکنیک های زمین آماری و الگوریتم های بهینه سازی می باشد، جهت ساخت/به روزرسانی مدل های استاتیک مخزن همخوان با داده های لرزه ای دوبعدی/سه بعدی، استفاده شده است. الگوریتم بهینه سازی استفاده شده در این پژوهش، تلفیقی از اگوریتم های قدرتمند ازدحام ذرات و ژنتیک می باشد. بررسی کیفی و کمی نتایج اعمال روش پیشنهادی بر روی یک مدل مصنوعی نشان می دهد که روش پیشنهادی منتج به ایجاد مدل های رخساره ای می شود که نسبت به روش های سنتی زمین آماری که از داده های لرزه ای فقط به عنوان داده ثانویه استفاده می کنند، بطور متوسط با یک افزایش 15 درصدی در انطباق با مدل مرجع مخزن همراه است.

کلیدواژه‌ها


Abdel-Fattah, M. I., Metwalli, F. I., & El Sayed, I. M. (2018). Static reservoir modeling of the Bahariya reservoirs for the oilfields development in South Umbarka area, Western Desert, Egypt. Journal of African Earth Sciences, 138, 1-13.

Adelu, A. O., Aderemi, A. A., Akanji, A. O., Sanuade, O. A., Kaka, S. I., Afolabi, O., .Olugbemiga, S., & Oke, R. (2019). Application of 3D static modeling for optimal reservoir characterization. Journal of African Earth Sciences, 152, 184-196.

Agarwal, M., & Srivastava, G. M. S. (2018). Genetic Algorithm-Enabled Particle Swarm Optimization (PSOGA)-Based Task Scheduling in Cloud Computing Environment. International Journal of Information Technology & Decision Making, 17(04), 1237-1267.

Amjad, M. K., Butt, S. I., Kousar, R., Ahmad, R., Agha, M. H., Faping, Z., .Anjum, N., & Asgher, U. (2018). Recent research trends in genetic algorithm based flexible job shop scheduling problems. Mathematical Problems in Engineering.

Angeleri, G. P., & Carpi, R. (2006). Porosity prediction from seismic data. Geophysical prospecting, 30(5), 580-607.

Bäck, T., Fogel, D. B., & Michalewicz, Z. (1997). Handbook of evolutionary computation. CRC Press.

Bornard, R., Allo, F., Coléou, T., Freudenreich, Y., Caldwell, D. H., & Hamman, J. G. (2005). Petrophysical Seismic Inversion to Determine More Accurate and Precise Reservoir Properties (SPE94144). In 67th EAGE Conference & Exhibition.

Castro, S. A., Caers, J., Otterlei, C., Meisingset, H., Hoye, T., Gomel, P., & Zachariassen, E. (2009). Incorporating 4D seismic data into reservoir models while honoring production and geologic data: A case study. The Leading Edge, 28(12), 1498-1505.

Del Valle, Y., Venayagamoorthy, G. K., Mohagheghi, S., Hernandez, J. C., & Harley, R. G. (2008). Particle swarm optimization: basic concepts, variants and applications in power systems. IEEE Transactions on evolutionary computation, 12(2), 171-195.

Doyen, P. (2007). Seismic reservoir characterization: An earth modelling perspective, Vol. 2, p. 255. Houten: EAGE publications.

El Khadragy, A. A., Eysa, E. A., Hashim, A., & El Kader, A. A. (2017). Reservoir characteristics and 3D static modelling of the Late Miocene Abu Madi Formation, onshore Nile Delta, Egypt. Journal of African Earth Sciences, 132, 99-108.

Emami Niri, M., & Lumley, D. (2013). Uncertainty analysis in quantitative integration of inverted 3D seismic data for static reservoir modeling. In 13th International Congress of the Brazilian Geophysical Society & EXPOGEF, Rio de Janeiro, Brazil, Society of Exploration Geophysicists and Brazilian Geophysical Society.

Emami Niri, M., & Lumley, D. E. (2015). Simultaneous optimization of multiple objective functions for reservoir modeling. Geophysics, 80(5), M53-M67.

Emami Niri, M., & Lumley, D. E. (2016). Estimation of subsurface geomodels by multi-objective stochastic optimization. Journal of Applied Geophysics, 129, 187-199.

Emami Niri, M., & Lumley, D. E. (2017). Initialising reservoir models for history matching using pre-production 3D seismic data: constraining methods and uncertainties. Exploration Geophysics, 48(1), 37-48.

Emami Niri, M. (2018). 3D and 4D Seismic Data Integration in Static and Dynamic Reservoir Modeling: A Review. Journal of Petroleum Science and Technology, 8 (2), 38-56.

Eberhart, R. C., & Shi, Y. (1998). Comparison between genetic algorithms and particle swarm optimization. In International conference on evolutionary programming, 611-616. Springer, Berlin, Heidelberg.

Eberhart, R., & Kennedy, J. (1995). A new optimizer using particle swarm theory. In MHS'95. Proceedings of the Sixth International Symposium on Micro Machine and Human Science, 39-43. IEEE.

Friedel, S. (2003). Resolution, stability and efficiency of resistivity tomography estimated from a generalized inverse approach. Geophysical Journal International, 153(2), 305-316.

Garg, H. (2016). A hybrid PSO-GA algorithm for constrained optimization problems. Applied Mathematics and Computation, 274, 292-305.

Koneshloo, M., Aryana, S. A., Grana, D., & Pierre, J. W. (2017). A workflow for static reservoir modeling guided by seismic data in a fluvial system. Mathematical Geosciences, 49(8), 995-1020.

Kozlovskaya, E., Vecsey, L., Plomerová, J., & Raita, T. (2007). Joint inversion of multiple data types with the use of multi objective optimization: problem formulation and application to the seismic anisotropy investigations. Geophysical Journal International, 171(2), 761-779.

Kumar, N., & Vidyarthi, D. P. (2016). A novel hybrid PSO-GA meta-heuristic for scheduling of DAG with communication on multiprocessor systems. Engineering with Computers, 32(1), 35-47.

Lumley, D. E. (1995). Seismic time-lapse monitoring of subsurface fluid flow, No. 91. Stanford University.

Marini, F., & Walczak, B. (2015). Particle swarm optimization (PSO). A tutorial. Chemometrics and Intelligent Laboratory Systems, 149, 153-165.

Mavko, G., Mukerji, T., & Dvorkin, J. (1998). The rock physics handbook: Tools for seismic analysis in porous media: University of Cambridge.

Nur, A. M., Mavko, G., Dvorkin, J., & Gal, D. (1995). Critical porosity: The key to relating physical properties to porosity in rocks. In SEG Technical Program Expanded Abstracts, 878-881. Society of Exploration Geophysicists.

Ravalec-Dupin, L., Enchery, G., Baroni, A., & Da Veiga, S. (2011). Preselection of reservoir models from a geostatistics-based petrophysical seismic inversion. SPE Reservoir Evaluation & Engineering, 14(05), 612-620.

Schwarzbach, C., Börner, R. U., & Spitzer, K. (2005). Two-dimensional inversion of direct current resistivity data using a parallel, multi-objective genetic algorithm. Geophysical Journal International, 162(3), 685-695.

Tarantola, A. (2005). Inverse problem theory and methods for model parameter estimation, Vol. 89. Siam.

Thengade, A., & Dondal, R. (2012). Genetic algorithm-survey paper. In MPGI National Multi Conference, 7-8.

Zhan, Z. H., Zhang, J., Li, Y., & Chung, H. S. H. (2009). Adaptive particle swarm optimization. IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), 39(6), 1362-1381.