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

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 (d_f) và độ mở nứt nẻ trung bình (w_f). 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)

_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), d_f là mật độ nứt nẻ (số nứt nẻ trên mét dài),

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

	(3)
	(4)