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.
trang34/34
Chuyển đổi dữ liệu20.05.2018
Kích3.62 Mb.
1   ...   26   27   28   29   30   31   32   33   34



Hình 14. Trường độ thấm đã thô hóa sang lưới mô phỏng

Hình 15. So sánh kết quả tính toán mô phỏng với các quan sát tại giếng 2







Hình 16. So sánh kết quả tính toán mô phỏng với các quan sát tại giếng 401

Hình 17.So sánh kết quả tính toán mô phỏng với các quan sát tại giếng 60

5. Kết luận


Đối với các vỉa nứt nẻ, đặc biệt là các vỉa tầng móng, khả năng và tính chất thấm chứa của vỉa phụ thuộc chính vào các đặc trưng nứt nẻ. Các phương pháp truyền thống trong tính toán xác định thấm chứa thường không áp dụng được cho vỉa nứt nẻ do tính phức tạp và bất đồng nhất của hệ thống nứt nẻ.

Áp dụng các phương pháp trí tuệ nhân tạo có ưu điểm kết hợp được nhiều thông tin khảo sát vỉa hơn, đặc biệt là các thông tin của các thuộc tính địa chấn.

Kết quả đã xây dựng mô hình CFM cho vỉa nứt nẻ với hai tính chất quan trọng là mật độ nứt nẻ và độ mở trung bình. Từ hai thông số này độ thấm, độ rỗng và các thông số mô hình khác của vỉa có thễ được xác định.

Thuật toán Fuzzy logic được lập trình để xác định tương quan giữa các tính chất của mô hình CFM với các thuộc tính vỉa, đặc biệt là các thuộc tính địa chấn. Thuật toán ANN được sử dụng để xác định các tính chất của mô hình nứt nẻ trên toàn vỉa căn cứ vào số liệu khảo sát tại giếng, quan hệ với thuộc tính địa chấn và giá trị của các thuộc tính địa chấn.



Kết quả kiểm tra và thử nghiệm trên vỉa Teapot Dome và tầng móng mỏ Bạch hổ cho thấy sự phụ hợp nhất định.

References

  1. Pinous, O, Abdel M, Z, Gry, R, and Ted, R (2007), “Continuous Fracture Modeling of a Carbonate Reservoir in West Siberia”.Society of Petroleum Engineers, SPE 103284.

  2. WONG, P, M and BOERNER S (2003), “Ranking Geological Drivers for Mapping Fracture Intensity at the Pinedale Anticline”, EAGE 65th Conference & Exhibition – Stavanger, Norway.

  3. Schlumberger (2010), Fracture Modeling, Schlumberger.

  4. Shahab, M (2000), Virtual-Intelligence Applications in Petroleum Engineering: Part 1—Artificial Neural Networks, SPE 58046.

  5. Schiffman, W, Joost, M, andWerner, R (1994), “Optimization of the Backpropagation Algorithm for Training Multilayer Perceptrons”, ESANN.

  6. Yinghua, L, George, A, andCunningham (1994), "A Fuzzy Approach to Input Variable Identification”, IEEE.

  7. Yinghua, L, George, A, and Cunningham, (1995), “A New Approach to Fuzzy-Neural System Modeling”, IEEE TRANSACTIONS ON FUZZY SYSTEMS, VOL. 3, NO. 2, MAY 1995.

  8. Yinghua, L, George A, andCunningham, (1996), “Input variable identification – Fuzzy curves and fuzzy surfaces”, Fuzzy Sets and System 82, pp 65-71.

1   ...   26   27   28   29   30   31   32   33   34


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

    Quê hương