Mô hình nứt nẻ liên tục (cfm) cho các vỉa nứt nẻ và áp dụng cho tầng móng mỏ Bạch Hổ



tải về 3.62 Mb.
trang1/34
Chuyển đổi dữ liệu20.05.2018
Kích3.62 Mb.
  1   2   3   4   5   6   7   8   9   ...   34

Đặng Thế Ba, Nguyễn Quang Thái


Mô hình nứt nẻ liên tục (CFM) cho các vỉa nứt nẻ

và áp dụng cho tầng móng mỏ Bạch Hổ

Đặng Thế Ba1, Nguyễn Quang Thái2

1Trường Đại học Công Nghệ. Đại học Quốc gia Hà Nội

2Viện Cơ học, Viện Hàn lâm và Khoa học Việt Nam

Tóm tắt: Các vỉa nứt nẻ được mô hình hóa thành các mô hình nứt nẻ liên tục (CFM) với các thông số đặc trưng là mật độ và độ mở nứt nẻ trung bình. Các phương pháp Fuzzy logic và trí tuệ nhân tạo (ANN) được phát triển để xác định thông số mô hình CFM trên lưới địa chất toàn vỉa thông qua các thuộc tính địa chấn và các dữ liệu tại các giếng. Dữ liệu khảo sát tại giếng dùng để xác định các thông số cho mô hình tại các ô lưới chứa giếng. Thuật toán Fuzzy logic dùng để đánh giá tương giữa các thuộc tính địa chấn và các thông số của mô hình CFM. Thuật toán ANN được sử dụng để xác định quan hệ giữa các thuộc tính địa chấn và thông số của mô hình CFM tại các ô giếng, sau đó thác triển các thông số này cho toàn vỉa. Các chương trình tính toán của mô hình được viết bằng ngôn ngữ FORTRAN. Kết quả đã được kiểm tra và thử nghiệm áp dụng để xác định độ thấm cho tầng móng mỏ Bạch Hổ và cho kết quả tốt.

Từ khóa: Fuzzy logic; ANN; Fractured reservoir: CFM Model.

Continuous Fracture Model (CFM) for fractured reservoir and apply for basement White Tiger

Abstract: The fractured reservoir is modelled by a Continuous Fracture Model (CFM) with parameters that are the averaged fracture density and aperture. Fuzzy logic and artificial Neutron Network (ANN) algorithm were developed to determine the CFM model parameters on the entire geological grid blocks using seismic attributes and well-log data. The well-log data were used to determine the CFM model’s parameters at the well grid blocks. Fuzzy logic algorithm used to evaluate the correlation between the seismic attributes and parameters of the CFM model. ANN algorithm is used to determine the relationship between seismic attributes and parameters of the CFM model at well blocks and then develops for all grid blocks. The calculating code are written in FORTRAN. The results have been evaluated and applied to Bach Ho basement reservoir and give good results.

Keywords: Fuzzy logic; ANN; Fractured reservoir: CFM Model..

1. Mở đầu

Hiện nay, nguồn chứa dầu khí ngày càng được tìm thấy nhiều ở các tầng móng. Đặc biệt tại Việt Nam, 80% sản lượng đang khai thác là từ các vỉa tầng móng. Tuy nhiên, do sự phức tạp của các vỉa nứt nẻ, khi tính các đặc tính thấm rỗng thường không thể áp dụng được các phương pháp truyền thống như trong các vỉa cát kết. Việc phát triển các phương pháp mới nhằm xác định chính xác hơn, phù hợp hơn các đặc tính thấm rỗng cho các vỉa nứt nẻ, đang được quan tâm nghiên cứu phát triển mạnh. Sử dụng các công cụ trí tuệ nhân tạo đang là một hướng được phát triển nhiều và thu được nhiều kết quả tốt [1, 2, 3]. Trong các phương pháp trí tuệ nhân tạo, các phương pháp kết hợp Fuzzy logic và mạng thần kinh nhân tạo (ANN) có ưu điểm cho phép sử dụng tổng hợp thông tin từ nhiều nguồn dữ liệu khác nhau như các thuộc tính địa chấn, dữ liệu log giếng …[4, 5].

Bài báo này trình bày việc nghiên cứu phát triển phương pháp mô phỏng các đặc trưng của vỉa nứt nẻ tự nhiên sử dụng thuật toán Fuzzy logic kết hợp với thuật toán mạng thần kinh nhân tạo (ANN) để xác định các thuộc tính của mô hình nứt nẻ liên tục (CFM) cho các vỉa nứt nẻ. Các vỉa nứt nẻ được mô hình hóa qua các thuộc tính đặc trưng của mạng lưới nứt nẻ trong vỉa. Các giá trị của các thuộc tính này những giá trị trung bình, liên tục. Trong nghiên cứu này, hai thuộc tính quan trọng là mật độ và độ mở nứt nẻ được nghiên cứu và tính toán trên hệ lưới địa chất, sau đó được thô hóa lên lưới mô phỏng. Các số liệu quan sát tại giếng được sử dụng để xác định giá trị thuộc tính của mô hình CFM tại các ô lưới chứa giếng. Các thuật toán Fuzzy logic được phát triển để dánh giá mối tương quan giữa các tính chất của mô hình CFM với các giá trị của các thuộc tính địa chấn. Từ đó các thuộc tính địa chấn có liên hệ tốt với các tính chất của mô hình CFM sẽ được dùng để làm đầu vào cho thuật toán trí tuệ nhân tạo. Một chương trình theo thuật toán trí tuệ nhân tạo đã được phát triển để thác triển các tính chất nứt nẻ trong mô hình CFM lên toàn lưới địa chất. Quá trình học của thuật toán trí tuệ nhân tạo sẽ được thực hiện nhiều lần và chỉ giữ lại những quan hệ giữa các thuộc tính địa chấn và tính chất của mô hình CFM tốt nhất. Quan hệ phù hợp nhất sẽ được xác định trên bộ dữ liệu kiểm tra. Kết quả phân bố tính chất nứt nẻ sẽ dược thô hóa lên lưới mô phỏng. Độ thấm và độ rỗng được xác định thông qua quan hệ bán thực nghiệm giữa các thuộc tính nứt nẻ với độ thấm và độ rỗng.

1. Mô hình CFM và các phương pháp trí tuệ nhân tạo

1.1. Mô hình CFM

Mô hình CFM sử dụng trong nghiên cứu này là mô hình nứt nẻ liên tục. Tại mỗi điểm trong không gian vỉa, thuộc tính nứt nẻ cần xác định là mật độ nứt nẻ trung bình (df) và độ mở nứt nẻ trung bình (wf). Khi đó tham số độ rỗng và độ thấm của nứt nẻ được xác định qua thuộc tính nứt nẻ theo công thức sau [6]:





(1)



(2)

Trong đó:

f1 = 3 cho trường hợp các nứt nẻ chính có hương hỗn loạn hoặc nứt nẻ nhỏ, f là độ rỗng do nứt nẻ (tỷ phần), df là mật độ nứt nẻ (số nứt nẻ trên mét dài),


wf là độ mở nứt nẻ (millimeter), kf là độ thấm do nứt nẻ (millidarcies).

Độ rỗng , và độ thấm trung bình kf tại các điểm trong vỉa tính theo công thức:





(3)



(4)

Các thuộc tính nứt nẻ toàn vỉa của mô hình CFM cho tầng móng mỏ Bạch Hổ sẽ được xác định bằng thuật toán ANN cho toàn vỉa trên hệ lưới địa chất. Các thuộc tính đầu vào cho mô hình ANN sẽ được xác định bằng thuật toán Fuzzy logic.
  1   2   3   4   5   6   7   8   9   ...   34


Cơ sở dữ liệu được bảo vệ bởi bản quyền ©hocday.com 2016
được sử dụng cho việc quản lý

    Quê hương