The Determination of the Most Effective Petrophysical Logs for Rock typing in a Detrital Reservoir Rock, Using Clustering Methods

Document Type : Research Article

Authors

Dept. of Mining, University of Tehran, Tehran, Iran

10.29252/anm.2020.11985.1388

Abstract

Summary
In this paper, clustering methods were used to determine the most effective petrophysical well logs for the lithological classification of a sandstone reservoir. The obtained results indicated the existence of three lithological groups of carbonate-anhydrite, shaly and clean sandstone inside the reservoir.
 
Introduction
The clustering analysis is a method for data classification based on similarity so that the most similar data are placed in the same cluster. The cluster analysis of petrophysical data can determine the quality of the sandstone reservoir based on the different existing lithologies. Since most sandstone reservoirs have different kinds of interbedded shales as well as different detrital and chemical minerals due to their sedimentation environment, they show a variety of lithologies and consequently different reservoir qualities. The determination of the most effective petrophysical logs based on the environment understudy has a significant effect on the clustering quality, lithology determination, and reservoir quality evaluation.
 
Methodology and Approaches
Different clustering methods such as K-means and two steps were used as well as the different combination of well logs to recognize the most effective logs for rock type determinations.
 
Results and Conclusions
The GR, LLD, LLS, NPHI, and RHOB logs are the most effective logs for two steps clustering method. This result was in agreement with the k-means method findings. Based on the clustering results, the understudy sandstone formation with a thickness of 222 meters was classified into three lithological groups of carbonate-anhydrite, shaly and clean sandstone with a thickness of 44.40, 73.26, 104.34 meters, respectively. The clean sandstone had the best quality with regards to the average porosity and permeability in comparison to the other subsections.

Keywords

Main Subjects

Full Text

با توجه به اینکه سازندهای تخریبی مخزنی عمدتاً تمیز (بدون رس) نیستند و میان لایه‌های رسی در اعماق مختلف آن‌ها وجود دارند، تشخیص جنس طبقات مختلف با تلفیق کلیه نگار‌ها با یکدیگر عملکرد مناسبی ندارد و نمی‌توان به درستی نوع گونه‌های مختلف سنگی را تشخیص داد ]1[. حضور انواع کانی‌های رسی در مقادیر متغیر موجب کاهش تخلخل و در نتیجه کاهش کیفیت مخزنی می‌شود. از سوی دیگر، وجود انواع رس‌ها، تفسیر برخی از نگار‌ها از قبیل نوترون را با مشکل مواجه می‌کند که این امر خود سبب ایجاد مشکلاتی در تعیین نوع جنس طبقات می‌شود. تشخیص اشتباه نوع سنگ‌های موجود با استفاده از نگارهای شاخص، سالانه سبب تحمیل هزینه‌های گزافی به صنایع بالادستی نفت می‌شود. شناسایی و انتخاب  نگارهای مناسب در سازند‌هایی با حضور رس فراوان، می‌تواند در تشخیص صحیح انواع لایه‌بندی و تعیین سنگ‌شناسی کمک شایانی انجام دهد ]2-1[. روش خوشه‌بندی که یکی از روش‌های آمار چند متغیره است که در شناسایی نوع سازند‌ها از لحاظ سنگ‌شناسی بسیار موفق عمل کرده است. این روش در سایر مسائل مطرح در مهندسی نفت نیز به کار رفته است ]2[. مثلاً با استفاده از تکنیک خوشه‌سازی به روش میان مرکزی فازی به عنوان یک دیدگاه جهت تعیین گونه‌های سنگی در میدان گازی پارس جنوبی مطالعه ای انجام شده که در آن هر خوشه ساخته شده بر مبنای پارامترهای تخلخل و تراوایی به عنوان نماینده یک گونه سنگی در نظر گرفته شده است. همچنین در محیط متلب برنامه‌ای نوشته شده است که بتواند تراوایی و گونه‌های سنگی تعریف شده به روش خوشه‌سازی فازی از روی نمودارهای چاه‌پیمایی شناسایی نماید ]3[. همچنین برای  تعیین رخساره‌های الکتریکی در یکی از سازندهای کربناته مخازن جنوب کشور از روش‌های خوشه‌ای چند متغیره استفاده شده است که اساس این روش‌ها، گروه‌بندی داده‌های مشابه و متمایز ساختن آنها از داده‌هایی بوده است که از نظر آماری با این گروه‌ها اختلاف دارند ]4[. در سال 1391 در مطالعه‌ای مقایسه رویکردهای خوشه‌بندی هوشمند و آماری برای پیش‌بینی کل کربن آلی با استفاده از سیستم‌های هوشمند انجام شده است ]5[. مدل‌سازی سه بعدی رخساره های الکتریکی مخزن با استفاده از خوشه‌بندی یکپارچه‌سازی و روش زمین آماری در یکی از میادین مرکزی خلیج فارس انجام شد و براساس نتایج، خوشه‌بندی سلسه مراتبی بهترین پاسخ را فراهم نمود ]6[. روش خوشه‌بندی برای تعیین رخساره‌های الکتریکی همراه با یک روش هوشمند ترکیبی مبتنی بر پیش‌بینی تخلخل و نفوذپذیری نیز در یکی از میادین گازی پارس جنوبی واقع در خلیج فارس به طور موفقیت آمیزی انجام شده است ]7[. محققان دیگری نیز با استفاده از الگوریتم بلوکینگ، اثرات نوفه‌های محیط چاه و اثر لایه‌های جانبی را از قرائت نمودارهای پتروفیزیکی برداشتند و سپس تغییرات ناگهانی این نمودارها را با استفاده از فیتلر لاپلاسین و روش خوشه‌بندی به عنوان مرز لایه‌ها معرفی شده است ]8[. بررسی کارآیی استفاده از تبدیل موجک و روش خوشه‌بندی اصلاح شده میانگین k در طبقه‌بندی سنگ‌شناسی مخزن با استفاده از نگار هسته‌ای نیز نشان داده است از این روش می توان در تعیین خودکار گونه های سنگی استفاده کرد ]9[. به طور کلی می‌توان گفت خوشه‌بندی نگارهای پتروفیزیکی به روش میانگین k در تحقیقات بسیاری به طور موفقیت‌‌آمیزی قادر به جداسازی گونه‌های سنگی متفاوت از یکدیگر بوده است ]11-9[. در یکی از اخیرترین تحقیقات انجام شده، شناخت سنگ‌شناسی مخزن با استفاده از روش بهبودیافته الگوریتم نزدیک‌ترین همسایگی در یکی از میادین چین انجام شده است که به فهم بهتر ویژگی‌های مخزنی کمک شایانی نموده است ]12[.

References

[1]           Chehrazi, A. and Rezaei, MR. (2006). Basics of acquisition and interpretation of well logs. University of Tehran publication press (In Persian).  
[2]           Alizadeh, S. (2011) Data mining (Clustering analysis). Khajehnasirodin Toosi University publication press (In Persian).
[3]           Kadkhodaei-Illkchi, A., Rezaei, MR., Moalemi, SA., and Sheikhzadeh A. (2005). The estimation of rock types and permeablity in South Pars gas field, using clustering technique and fuzzy modelin. The 9th Symposium of Geological Society of Iran, Tarbiat Moalem University, Tehran, Iran (In Persian).
[4]           Hemmati Nik, H.R., Nazarifard, M., and Tabatabaie raesi, S.H. (2016). The determination of electo-facies using clustering methods in one of carbonate reservoirs of southern Iran. Academic-Research Journal of Exploration and Production Oil and Gas, 137(8): 67-77 (In Persian).
[5]           Sfidari, E., Kadkhodaie-Ilkhchi, A., & Najjari, S. (2012). Comparison of intelligent and statistical clustering approaches to predicting total organic carbon using intelligent systems. Journal of Petroleum Science and Engineering, 86, 190-205.
[6]           Kiaei, H., Sharghi, Y., Ilkhchi, A. K., & Naderi, M. (2015). 3D modeling of reservoir electrofacies using integration clustering and geostatistic method in central field of Persian Gulf. Journal of Petroleum Science and Engineering, 135, 152-160.
[7]           Sfidari, E., Amini, A., Kadkhodaie, A., & Ahmadi, B. (2012). Electrofacies clustering and a hybrid intelligent based method for porosity and permeability prediction in the South Pars Gas Field, Persian Gulf. Geopersia, 2(2), 11-23.
[8]           Khoshbakht F., and Bagheri H. (2015). The determination of the boundary of sedimentary bases using blocking algorithm and applying the FMI diagram to verify and use it in order to improve the accuracy of petrophysical reservoir parameters. The third international petroleum, gas, and petrochemical conference, Ministry of petroleum, Tehran (In Persian).
[9]           Yang, H., Pan, H., Ma, H., Konaté, A. A., Yao, J., & Guo, B. (2016). Performance of the synergetic wavelet transform and modified K-means clustering in lithology classification using nuclear log. Journal of Petroleum Science and Engineering, 144, 1-9.
[10] WANG, Z. W., LIU, J. H., & REN, L. (2009). The Method for Lithology Classification in Geophysical Well Logging Based on the K-means Dynamic Clustering Analysis [J]. Journal of East China Institute of Technology (Natural Science), 2.
[11]         Mahmoodi, O., & Smith, R. (2015). Clustering of downhole physical property measurements at the Victoria property, Sudbury for the purpose of extracting lithological information. Journal of Applied Geophysics, 118, 145-154.
[12]         Wang, X., Yang, S., Zhao, Y., & Wang, Y. (2018). Lithology identification using an optimized KNN clustering method based on entropy-weighed cosine distance in Mesozoic strata of Gaoqing field, Jiyang depression. Journal of Petroleum Science and Engineering, 166, 157-174.
[13]         Nabi Bidhendi, M., and Esmaeili Abdar, MA. (2001). The porosity estimation on the velocity of compressional waves considering the clay effect in the shaly sandstone Formation of Shurijeh. Journal of Earth and Space Physics, 27(20), 25-29 (In Persian).
[14]         Jozanikohan, G. (2017). On the development of a non-linear calibration relationship for the purpose of clay content estimation from the natural gamma ray log. International Journal of Geo-Engineering, 8(1), 1-21.
[15]         Afshar Harb, A. (1994). The geology of Iran: the geology of Kopet Dagh region. The geological survey of Iran publication press (In Persian).
[16]         NIOC (Exploration Directorate) well completion report, (1986). Gonbadli geological well completion report. National Iranian Oil Company records, Tehran, Iran (In Persian).
[17]         Jozanikohan, G., Norouzih Gh.H, Sahabi, F., and Ojani, H. (2016). Comparison between the laboratory and petrophysical-derived methods to identify the clay minerals in an eastern Kopet-Dagh gas field”, Iranian Journal of Mining Engineering, 11 (30): 1-11 (In Persian).
[18]         Habibpour Gatabi, K., and Safari Shali, R. (2009). The handbook of SPSS software applications in surveying researches: the quantitative data analysis. Motefakeran publication, Tehran, Iran (In Persian).
Journal of Analytical and Numerical Methods in Mining Engineering
Volume 10, Issue 23
August 2020
Pages 65-77

Files

History

  • Receive Date: 17 April 2019
  • Revise Date: 24 November 2019
  • Accept Date: 06 January 2020

Share

How to cite

Statistics