Zeitschrift für Geologie und Geophysik
Offener Zugang

Abstrakt

Einsatz probabilistischer neuronaler Netze und Post-Stack-Inversion zur Vorhersage der Reservoircharakterisierung im Mittelmeer, Saphirfeld, Ägypten

Ahmed Abosalama*

Geophysikalische Parameter wahrscheinlicher Reserven werden mithilfe seismischer Inversion interpretiert. Sie ist zur Schätzung von Porosität, Sättigung und Schiefergehalt unentbehrlich. Dieser Artikel erörtert die Verwendung modellbasierter seismischer Inversion und probabilistischer neuronaler Netzwerke zur Charakterisierung von Reservoirs. Um diese Aufgabe zu erleichtern, ist der Artikel in zwei Teile gegliedert. Ausgehend von im Forschungsgebiet gesammelten 3D-Seismikdaten (Sapphire Deep Seismic-2010) werden mithilfe modellbasierter Inversion akustische Impedanzwerte erzeugt. Seismische Daten werden zur Analyse von fünf Bohrlochprotokollen verwendet. Der durchschnittliche Korrelationskoeffizient zwischen synthetischen und seismischen Daten beträgt 0,997 bei einem Fehler von 7 %, was auf die Nützlichkeit der modellbasierten Inversion hinweist. Zweitens wird ein probabilistisches neuronales Netzwerk (PNN) trainiert und überprüft, indem die geschätzte effektive Porosität, Wassersättigung und das Schiefervolumen verwendet werden. Die 3D-Variationen in effektiver Porosität, Wassersättigung und Schiefervolumen werden mithilfe des validierten probabilistischen neuronalen Netzwerks ermittelt.

Unsere Untersuchungen haben einen noch nicht gebohrten Abschnitt im Sapphir-80-Kanal mit günstigen petrophysikalischen Parametern ergeben, was auf ein großes Gas- und Kondensatvolumen schließen lässt.

Die seismische Inversion verbindet beobachtete seismische Daten mit interpretierten elastischen physikalischen Parametern wahrscheinlicher Reserven. Die post-Stack-seismische Inversion wird verwendet, um Reservoirparameter wie Porosität, Sättigung, Schiefergehalt usw. abzuschätzen. Es wird eine Anwendung der modellbasierten seismischen Inversion und eines probabilistischen neuronalen Netzwerks auf post-Stack-seismische Daten zur Reservoircharakterisierung beschrieben. Für diese Aufgabe ist das Papier in zwei Teile gegliedert. Anfängliche post-Stack-seismische Inversion zur Annäherung der akustischen Impedanz (AI)-Werte mithilfe von 3D-Seismikdaten, die im Forschungsgebiet (Sapphire Deep Seismic-2010) im Zeitbereich aufgezeichnet wurden. Es wurden seismische Daten von fünf Brunnen gesammelt. Wie der durchschnittliche Korrelationskoeffizient von 0,997 und der Fehler von 7 % zwischen synthetischen und seismischen Daten zeigen, ist die modellbasierte Inversion effektiv. Zweitens wird ein probabilistisches neuronales Netzwerk (PNN) mithilfe von Daten von den Brunnenstandorten trainiert und validiert. Auf der Grundlage des seismischen Volumens berechnet das probabilistische neuronale Netzwerk die effektive Porosität, die Wassersättigung und die Schiefervolumenschwankungen in 3D.

Die aktuelle Analyse prognostizierte einen nicht gebohrten Bereich im Sapphir-80-Kanal mit guten petrophysikalischen Parametern, was auf ein großes Gas- und Kondensatvolumen hindeutet.