地理学与自然灾害杂志
开放获取

抽象的

使用人工神经网络预测新佐尔碳酸盐岩储层的水力流量：东地中海

阿米尔·马赫·赛义德·拉拉

埃及东地中海佐尔油田的一个新气藏包括上白垩统碳酸盐岩。本研究的主要目的是通过薄片研究评估新的碳酸盐岩储层，并通过智能系统估算水力流量单位 HFU。该碳酸盐岩地层现在被认为是埃及北部最重要的气藏。本文基于显微镜岩相分析识别了五个微相。所检查的岩石是在泻湖、浅滩和开阔的海洋沉积环境中形成的。本研究进一步评估了微相和流动单元之间的关系。由于成岩过程引起的岩相并发症，确定这种关系具有挑战性。孔隙空间百分比和渗透率背后的相关性对于识别本研究中考虑的储层中的水力流动非常重要。应用流动区域指示器（FZI）方法根据钻孔岩心数据估计流动区域。为了实现这项工作的目标，采用人工神经网络 (ANN) 技术来预测无芯井中的 HFU。条目参数补偿了条目窗口中的中子孔隙度 (NPHI)、声波瞬变时间 (DT)、伽玛射线谱 (SGR) 和总孔隙度 (PHIT) 以及地层密度 (RHOB)，模糊窗口中的五个单元和一个细胞作为结果窗口用于 ANN。Aa 和 Bb 井眼的岩石样本和测井信息用于 ANN 模型构建。应用流动区域指示器（FZI）方法根据钻孔岩心数据估计流动区域。为了实现这项工作的目标，采用人工神经网络 (ANN) 技术来预测无芯井中的 HFU。条目参数补偿了条目窗口中的中子孔隙度 (NPHI)、声波瞬变时间 (DT)、伽玛射线谱 (SGR) 和总孔隙度 (PHIT) 以及地层密度 (RHOB)，模糊窗口中的五个单元和一个细胞作为结果窗口用于 ANN。Aa 和 Bb 井眼的岩石样本和测井信息用于 ANN 模型构建。应用流动区域指示器（FZI）方法根据钻孔岩心数据估计流动区域。为了实现这项工作的目标，采用人工神经网络 (ANN) 技术来预测无芯井中的 HFU。条目参数补偿了中子孔隙度 (NPHI)、声波瞬变时间 (DT)、伽玛射线谱 (SGR) 和总孔隙度 (PHIT) 以及条目窗口中的地层密度 (RHOB)、模糊窗口中的五个单元和一个细胞作为结果窗口用于 ANN。Aa 和 Bb 井眼的岩石样本和测井信息用于 ANN 模型构建。声波瞬态时间 (DT)、光谱伽马射线 (SGR) 和总孔隙度 (PHIT) 以及进入窗口中的地层密度 (RHOB)、模糊窗口中的五个单元和结果窗口中的一个单元用于 ANN。Aa 和 Bb 井眼的岩石样本和测井信息用于 ANN 模型构建。声波瞬态时间 (DT)、光谱伽马射线 (SGR) 和总孔隙度 (PHIT) 以及进入窗口中的地层密度 (RHOB)、模糊窗口中的五个单元和结果窗口中的一个单元用于 ANN。Aa 和 Bb 井眼的岩石样本和测井信息用于 ANN 模型构建。

验证从井 (Cc) 获得的数据作为模型输入后，使用仅测井数据可用的井 (Dd) 执行。ANN 模型获得的结果与实际数据的相关性证明了用于推断整个油田未取芯层段中 HFU 的智能技术的可靠性。因此，神经网络技术创建了水力层与无芯井测井信息之间的真实关系。