تخمین تخلخل سنگ مخزن از آنالیز تصاویر مقاطع نازک و مقایسه نتایج بدست آمده با سایر روشهای پتروفیزیکی

ویژگی های مخزن نقش بسیار مهمی در ارزیابی موفقیت اقتصادی، مدیریت و توسعه مخزن ایفا می کنند. تخلخل و تراوایی از مهمترین خصوصیات سنگ مخزن هستند که برای مدلسازی پتروفیزیکی مخزن مورد استفاده قرار می گیرند. در صنعت نفت این پارامترها در آزمایشگاه و با استفاده از روش های تزریق هلیم و هوای خشک اندازه گیری می شوند. استفاده از روشهای آزمایشگاهی معمولاً زمانبر و پرهزینه بوده و در همه شرایط ممکن نمی باشد و همیشه نمی تواند پاسخگوی تمام نیازهای مهندسین و کارشناسان باشند. در سالهای اخیر با پیشرفت سخت افزاری و نرم افزاری کامپیوترها، استفاده از تکنیکهای هوش مصنوعی و آنالیز تصویر در صنعت نفت گسترش یافته است. با هدف کاهش هزینه ها و زمان در مطالعات مخزنی، مطالعه حاضر را به دو بخش تقسیم کرده ایم: در قسمت اول تلاش شده تا با تکیه بر مطالعه پتروگرافی و هوش مصنوعی رهیافتی کاربردی برای تخمین تخلخل و تراوایی از روی تصاویر مقاطع نازک ارائه شود. برای این منظور، دوازده مشخصه پتروگرافی از هر مقطع استخراج شده و با استفاده از سه تکنیک شبکه عصبی، منطق فازی و روش نروفازی مقدار تخلخل و تراوایی تخمین زده شده است. نتایج نشان می دهد تکنیکهای هوشمند در تخمین تخلخل و تراوایی موفق عمل کرده اند و تخلخل را به ترتیب با خطای 0.0256، 0.0214، 0.0226 درصد و تراوایی را به ترتیب با خطای 0.0139 ،0.0061، 0.0085 میلی دارسی پیش بینی کرده اند. در ادامه، برای افزایش دقت در تخمین تخلخل و تراوایی از دو نوع ماشین کمیته ای استفاده شد که ماشین کمیته ای مبتنی بر الگوریتم ژنتیک دقیق ترین پیش بینی را از این دو ویژگی پتروفیزیکی داشته و به ترتیب تخلخل و تراوایی را با دقت 0.0165 درصد و 0.0056 میلی دارسی پیش بینی کرده است که مقایسه تخلخل ماشین کمیته ای با تخلخل مغزه در چاه مورد مطالعه، ضریب همبستگی 76 درصد و مقایسه تراوایی ماشین کمیته ای با تراوایی مغزه، ضریب همبستگی 94.2 درصد را نشان می دهد. در قسمت دوم این پایان نامه، با تکیه بر روشهای آنالیز تصویر و تشخیص الگو تلاش شده است تا الگوریتمی خودکار برای تفکیک انواع مختلف فضاهای خالی در تصاویر مقطع نازک ارائه شود.در الگوریتم ارائه شده برای طبقه بندی فضاهای خالی از توابع تفکیک کننده خطی، درجه دوم و ماهالانوبیس استفاده شده است. خطای الگوریتم به دو روش بررسی شده است که در هر دو روش مشخص شد، الگوریتم قادر به تفکیک انواع فضاهای خالی با دقت قابل قبول و مناسبی می باشد. تابع تفکیک کننده خطی بهترین جدایش را برای فضاهای درون دانه ای و بیوملدیک به ترتیب با خطای 9 و 1 درصد، تابع تفکیک کننده درجه دوم بهترین جدایش را از فضاهای قالبی کامل و قالبی ناقص به ترتیب با خطای 6 و 9 درصد و تابع تفکیک کننده ماهالانوبیس بهترین جدایش را از فضاهای بین دانه ای با خطای 10 درصد، داشته است. در روش دوم بررسی دقت الگویریتم مشخص شد، بهترین طبقه بندی به ترتیب برای تخلخل بیوملدیک، قالبی کامل، درون دانه ای، بین دانه ای و قالبی ناقص با دقت 100، 92 ،82، 75 و 68 درصد انجام شده است.