Журнал географии и стихийных бедствий
Открытый доступ

Абстрактный

Прогнозирование гидравлического потока в карбонатном водохранилище Нью-Зохр: Восточное Средиземноморье с использованием искусственных нейронных сетей

Амир Махер Сайед Лала

Новый газовый резервуар включает карбонаты верхнемеловой формации на нефтяном месторождении Зохр в восточной части Средиземного моря в Египте. Основной целью данного исследования является оценка нового карбонатного резервуара путем изучения тонкого сечения и оценки гидравлических единиц потока HFU с помощью интеллектуальной системы. Эта карбонатная формация в настоящее время считается самым важным газовым резервуаром в северном Египте. В данной работе на основе микроскопического петрографического анализа были идентифицированы пять микрофаций. Исследуемые породы были образованы в лагунных, мелководных и открытых морских условиях осадконакопления. В данном исследовании дополнительно оцениваются связи между микрофациями и единицами потока. Определение таких связей оказалось сложной задачей из-за петрографических осложнений, возникающих в результате диагенетических процессов. Корреляция между процентом порового пространства и проницаемостью важна для распознавания гидравлического потока в резервуаре, рассматриваемом в данном исследовании. Для оценки зон потока по данным керна скважин был применен подход с использованием индикатора зоны потока (FZI). Для достижения цели данной работы была реализована методика искусственной нейронной сети (ANN) для прогнозирования HFU в скважинах без керна. Параметры ввода компенсировали нейтронную пористость (NPHI), время акустического переходного процесса (DT), спектральный гамма-луч (SGR), общую пористость (PHIT) и плотность пласта (RHOB) в окне ввода, пять ячеек в затемненном окне и ячейка в качестве окна результата использовались для ANN. Образцы горных пород и информация каротажа из скважин Aa и Bb использовались для построения модели ANN.

После проверки полученных данных из скважины (Cc) в качестве входных данных модели, она была выполнена со скважиной (Dd), для которой были доступны только данные каротажа скважины. Корреляция результатов, полученных с помощью модели ANN, с реальными данными доказала надежность интеллектуальной методики для вывода HFU в интервалах без отбора керна по всему месторождению. Соответственно, методика нейронной сети создает реальную связь между гидравлическими зонами и данными каротажа в скважине без отбора керна.