برآورد کل محتوی کربن آلی و نوع کروژن از داده‌های چاه‌پیمایی با بهره‌گیری از ترکیب شبکه عصبی مصنوعی و الگوریتم‌های فراابتکاری

Abstract

ارزیابی پتانسیل هیدروکربن‌زایی سنگ منشأ به‌عنوان تابعی از کل محتوی کربن آلی و نوع کروژن از اهمیت بالایی در مطالعات اکتشافی نفت و گاز برخوردار است. هدف اصلی در این مطالعه، مقایسه عملکرد شبکه عصبی مصنوعی بر پایه روش آموزش پس انتشار (ANN-BP) و همچنین الگوریتم‌های فراابتکاری ژنتیک (ANN-GA) و ازدحام ذرات (ANN-PSO) به‌منظور برآورد پارامترهای ژئوشیمیایی کل کربن آلی (TOC) و پتانسیل باقی‌مانده هیدروکربنی (S2) از طریق نمودارهای چاه‎‌پیمایی است. بدین منظور، سازند پابده (پالئوسن ـ الیگوسن) در میدان نفتی منصوری مورد مطالعه قرار گرفت. براساس نتایج برازش خطی برروی داده‌های آزمون، روش ANN-PSO امکان برآورد پارامترهای TOC و S2 حاصل از آنالیز راکـ ایول را به‌ترتیب با ضریب تعیین (R2) برابر با 8548/0 و 9089/0 فراهم آورده و عملکرد بهتری نسبت به روش‌های ANN-BP و ANN-GA به نمایش می‌گذارد. همچنین، برآورد پارامتر شاخص هیدروژن (HI) بر مبنای ارتباط میان مقادیر TOC و S2 به‌واسطه این روش با ضریب تعیین 6882/0 از دقت قابل قبولی برخودار بوده و تفکیک انواع کروژن با دقت طبقه‌بندی 74% را امکان‌پذیر می‌سازد. زون‌بندی ژئوشیمیایی سازند پابده بر مبنای غنی‌شدگی آلی و نوع کروژن با توجه به نتایج حاصل از روش ANN-PSO نشان‌دهنده سه بخش مجزا است، به‌طوری‌که بخش میانی (واحد شیل قهوه‌ای) با دارا بودن مقادیر قابل‌توجه کل محتوی کربن آلی و شاخص هیدروژن از پتانسیل هیدروکربن‌زایی بیشتری برخودار بوده و در صورت رسیدن به بلوغ حرارتی مناسب می‌تواند نقش قابل‌توجهی در شارژ تله‌های نفتی میدان ایفاء نماید. بنابراین، تعیین دقیق اختصاصات هیدروکربن‌زایی سازند پابده با به‌کارگیری مدل پیشنهادی ANN-PSO در این مطالعه، کاهش عدم قطعیت در مدل‌سازی سیستم نفتی و متعاقباً افزایش قابل‌توجه کارایی اکتشاف در میدان نفتی منصوری را به‌دنبال خواهد داشت.

Keywords

• کل کربن آلی
• نوع کروژن
• شبکه عصبی مصنوعی
• الگوریتم ژنتیک
• بهینه‌سازی ازدحام ذرات