تعداد نشریات | 43 |
تعداد شمارهها | 1,651 |
تعداد مقالات | 13,405 |
تعداد مشاهده مقاله | 30,209,553 |
تعداد دریافت فایل اصل مقاله | 12,076,284 |
اعتبارسنجی و مقایسه دو روش شبکه عصبی مصنوعی و ΔLogR در ارزیابی محتوای ماده آلی سنگهای منشاء: مطالعه موردی از سازند پابده میدان نفتی مارون | ||
پژوهش های چینه نگاری و رسوب شناسی | ||
مقاله 1، دوره 28، شماره 3، آبان 1391، صفحه 1-18 اصل مقاله (1.95 M) | ||
نویسندگان | ||
بهرام علیزاده* 1؛ خالد معروفی2؛ محمدحسین حیدری فرد3 | ||
1دانشیار گروه زمینشناسی دانشگاه شهید چمران اهواز | ||
2کارشناس ارشد زمینشناسی نفت، دانشگاه شهید چمران اهواز | ||
3کارشناس ارشد شرکت ملی مناطق نفتخیز جنوب | ||
چکیده | ||
سنگهای منشاء از چگالی کمتری نسبت به دیگر لایهها برخوردار بوده و از طرفی سرعت عبور موج، تخلخل و مقاومت بیشتری را نشان میدهند. بنابراین میتوان از نگارههای چاهپیمایی بهمنظور شناسایی این سنگها و بعنوان شاخصی جهت تعیین توان هیدروکربنی آنها استفاده نمود. این مهم معمولاً بوسیله روشهای هوشمند نظیر شبکه عصبی مصنوعی و ΔLogR انجام میگیرد. سنگشناسی متغیر و وجود مقادیر گوناگون ماده آلی کل (TOC)، موجب شد تا سازند شیلی ـ آهکی پابده جهت اعتبارسنجی و مقایسه نتایج روشهای نامبرده در زمینه سنجش TOC انتخاب گردد. آنالیز رگرسیونی نشان میدهد که انطباق نتایج شبکه عصبی با مقادیر پیرولیز راکایول (99%)، بهمراتب بهتر از انطباق نتایج روش ΔLogR (60%) است. محاسبه مجذور خطای میانگین (Mean Square Error) روشهای یادشده نیز نتیجه فوق را آشکار نمود (استفاده بدلیل کارایی بالاتر MSE در نمایش خطای واقعی)، بهطوریکه خطای MSE روش شبکه عصبی (07/0)، بسیار کمتر از روش ΔLogR (98/0) است. با افزایش محتوای ماده آلی و میزان رس نمونهها، کارایی روش ΔLogR نیز افزایش مییابد. در این مطالعه، MSE روش ΔLogR از سنگشناسی شیلی به آهکی، به ترتیب از 27/0 به 41/1 افزایش مییابد. براساس نتایج شبکه، TOC در سازند پابده میدان مارون از 45/0 تا 4 درصد وزنی متغیر میباشد. این سازند را از نظر میزان TOC میتوان به سه بخش A و C، با مقادیر ماده آلی کمتر از 1% و B، با مقادیر ماده آلی بالاتر از 1% تقسیم نمود. ضخامت کل، میزان ماده آلی و درصد رس سازند در راستای جنوبشرق میدان افزایش مییابد که این خود نشانگر افزایش عمق حوضه تهنشینی در این راستا میباشد. درنهایت، با توجه به انطباق مرز بالایی لایه غنی از ماده آلی B با نوسانات شدید نگاره گاما، میتوان این مرز را بعنوان شاخصی مناسب جهت شناسایی مرز ائوسن ـ الیگوسن و رخداد پیرنین بهکار گرفت. | ||
کلیدواژهها | ||
TOC؛ سازند پابده؛ میدان نفتی مارون؛ شبکه | ||
مراجع | ||
1- علیزاده، ب.، م. آدابی، و ف.، تژه، 1385، ارزیابی پتانسیل هیدروکربورزایی سنگهای منشاء احتمالی در میدان نفتی مارون با استفاده از دستگاه پیرولیز راک ـ ایول 6: مجله علوم دانشگاه تهران، پاییز 1385، ش. 3، ص. 274- 267. 2- میرزا قلیپور، ع. و ع.، حقی، 1369، مطالعه زمین شناسی میدان نفتی مارون: گزارش شماره پ-4210، اداره کل زمینشناسی گسترشی، شرکت ملی مناطق نفتخیز جنوب، 55 ص. 3- Abou Shagar, S., 2006, Source rock evaluation of some intervals in the Gulf of Suez: Egept. Agyptian Jornal of Aquatic Research, v. 32, p. 70-87. 4- Al-Qahtani F. A., 2000, Porosity prediction using artificial neural network: MSc. Thesis, Morgautwn Virginia University. 5- Beers, R.F., 1945, Radioactivity and organic content of some Paleozoic shales. AAPG Bulletin, v. 26, p. 1 – 22. 6- Behar, F., V., Beaumont, and B., Pentea do, 2001, Rock-Eval 6 Technology: Performances and Developments, Oil & Gas Science and Technology-Rev. IFB, v. 56, no. 2, p.111-134. 7- Bordenave, M.L., and R., Burwood, 1990, Source rock distribution and Maturation in the Zagros Orogenic Belt: Provenance of the Asmari and Bangestan reservoir oil accumulations: Organic Geochemistry, v. 16, 369 p. 8- Callan R., 1999, The essence of neural networks: Southampton Institute. Prentice Hall Europe. 9- Dellenbach, J., J., Espitalie, and F., Lebreton, 1983, Source Rock Logging: Transactions of 8th European SPWLA Symposium, paper D. 10- Espitalie, J., G., Deroo, and F., Marquis, 1985, Rock Eval Pyrolysis and Its Application (Reprints): Institute Francais Du Petrol. Geologie, no. 207296, project B41 79008, 72 p. 11- Fertle, H., 1988, Total organic carbon content determined from well logs: SPE Formation Evaluation 15612, p. 407– 419. 12- James, G.A. and J.G., Wynd, 1965, Stratigraphic nomenclature of Iranian oil consortium agreement area: The American Association of Petroleum Geologists Bulletin, v. 49(12), p. 2182–2245. 13- Haq, B.U., J., Hardenbol, and P.R. Vail, 1988, Mesozoic and Cenozoic chronostratigraphy and cycles of sea-level change In: (C. K. Wilgus, B. S. Hastings, C. G. St. C. Kendall, H. W. Posamentier, C. A. Ross and J. C. Van Wagoner, ( Eds.), Sea Level Changes–An Integrated Approach p. 71–108. SEPM Special Publication 42. 14- Herron, S.L., 1988, Source rock evaluation using geochemical information from wireline logs and cores (abs): AAPG Bulletin, v. 72, 1007. 15- Hertzog, R., Colson, L., Seeman, B., O’Brian, M., and H., Scott, 1989, Geochemical logging with spectrometry tools: SPE Formation Evaluation 4, p. 153– 162. 16- Hunt, J.M., 1996. Petroleum Geochemistry and Geology: 2nd Edition, W.H. Freeman and Company, New York, 743 p. 17- Hunt, J.M., and G.W., Jaieson, 1956, Oil and organic matter in source rock of petroleum: AAPG Bulletin, v. 40, p. 477– 488. 18- Hussain, F.A., 1987, Source rock identification in the state of Kuwait using wireline logs: SPE 15747, p. 477– 488. 19- Kamali, M.R., and A.A., Mirshabi, 2004, Total organic carbon content determined from well logs using ΔLogR and Neuro Fuzzy techniques: Journal of Petroleum Science and Engineering, v. 45, p. 141– 148. 20- Langford, F.F., 1990, Interpreting Rock-Eval pyrolysis data using graphs of pyrolizable hydrocarbon vs. total organic carbon: AAPG Bulletin, v. 74, p. 799– 804. 21- Luffel, D.L., 1992, Evaluation of Devonian shale with new core and log analysis methods: SPE 21297, p. 1192–1197. 22- Mendelson, J.D., and M.N., Toksoz, 1985, Source rock characterization using multivariate analysis of log data: Transactions of the Twenty-Sixth SPWLA Annual Logging Symposium, paper UU. 23- Meyer, B.L., and M.H., Nederlof, 1984, Identification of source rocks on wireline logs by density/resistivity and sonic transit time/ resistivity cross plots: AAPG Bulletin, v. 68, 121– 129 p. 24- Mohaghegh S., R., Arefi, H. I., Bilgesu, S., Ameri and D., Rose, 1994, Design and development of an artificial neural network for estimation of formation permeability: SPE 28237, Proceeding of SPE Petroleum Computer Conference, Dallas TX. 25- Passey, Q. R., S., Creaney, J. B., Kulla, F. J., Moretti, and J. D., Stroud, 1990, A Practical Model for Organic Richness from Porosity and Resistivity logs: AAPG Bulletin, v.74, n.12, p. 1777-179. 26- Peters, K.E., 1986, Guidelines for evaluating petroleum source rock using programmed pyrolysis: AAPG Bulletin, v. 70, p. 318– 329. 27- Peters, K.E., and M.R., Cassa, 1994, Applied source rock geochemistry. In:: Magoon, L.B., . Dows, W.G (Eds.), The AAPG petroleum system - from source to trap Memoir 60, p. 93-117. 28- Schlumberger, 1999, Welcome to the Petrophysics Distance Learning Module (CD). 29- Schmoker, J.W., 1981, Determination of organic-matter content of Appalachian Devonian shales from gamma-ray logs: AAPG Bulletin, v. 65, p. 2165–2174. 30- Serra, O., 1986, Fundamentals of Well-Log Interpretation: The Acquisition Logging Data, v. 1, Elsevier. 679 p. 31- Swanson, V.E., 1960, Oil yield and uranium content of black shales: USGS professional paper 356-A, p. 1–44. 32- Tissot, B. and D. H., Welte, 1984, Petroleum Formation and Occurrence: Second Ed. Springer Verlag, Berlin. 33- Trask, P. D., H. E. Hammar, and C. C. Wu., 1932, Origin and environment of source sediments of petroleum. Houston: Gulf Publis
| ||
آمار تعداد مشاهده مقاله: 1,100 تعداد دریافت فایل اصل مقاله: 430 |