Estimation of Reservoir Properties from Seismic Attributes and Well Log Data using Artificial Intelligence

(2009) Estimation of Reservoir Properties from Seismic Attributes and Well Log Data using Artificial Intelligence. Masters thesis, King Fahd University of Petroleum and Minerals.

[img]
Preview
PDF
THESIS-FiNAL-DGS_.pdf

Download (6MB) | Preview

Arabic Abstract

ملخص الرسالة الإسم الكامل : محمد ستواح عنوان الرسالة: تقدير خصائص المكامن من المعطيات السيزمية و بيانات الآبار باستخدام الذكاء الصناعي التخصص: جيزفيزياء تاريخ الشهادة: جوان 2009 المسامية، النفاذية والسحن الصخري هي عوامل رئيسية في تحديد خصائص المكمن. النفاذية ، أو تدفق القدرة ، هو قدرة الصغور لنقل السوائل ، المسامية ، تمثل قدرة الصخر لتخزين السوائل ، بينما السحن الصخري فهو وصف الخصائص الفيزيائية للصخور من الملمس حجم الحبوب والمعادن. توجد الكثير من الطرق التجربية للتنبأ بالنفاذية، المسامية و السحن الصخري ، مثل الانحدار الخطي و الانحدار اللاخطي و كذا الطرق البيانية. هذه الطرق أثبتت محدويتها في هذا المجال عندما يتعلق الأمر بتنبأ خصائص المكامن الغير متجانسة حيث أن التغيرات في خصائص المكمن تجعل من الصعوبة بمكان التنبأ بخصائصه. مؤخرا ، استخدم أداة أخرى للبحوث اسمها الشبكات العصبية الاصطناعية (ANNs) لتحقيق مستوى أفضل من التوقعات. لإثبات جدوى تقنية الذكاء الاصطناعي في مجال علوم الأرض ، قمنا بإجراء مقارنة بين نوعين من الشبكات العصبية النوع الأول يسمى ( GRNN) و الثاني ( MLP ).و ذلك باستعمال المعطيات السيزمية و تسجبل بيانات المكامن. في هذا البحث تم تناول قدرة كلتا الشبكتين العصبيتين على تنبأ بعض خصائص المكامن البترولية كالمسامية، النفاذية و السحن الصخري. عموما نتائج هذه الدراسة أثبتت نجاعت و قدرة الشبكة العصبية المسماة ( GRNN )على تنبأ خصائص المكمن و بدقة عالية تفوق تلك التي تم تقديرها باستعمال الشبكة الثانية المسماة ( MLP ). بالاضافة الى أن الشبكة العصبية ( GRNN ) أكثر سرعة و أكثر قوة. لهذا نعتقد أن استعمال هذه التقنيات المتطورة سيساعد أكثر في تطوير المكامن البترولية و يعطي نظرة أوضح للجيولوجيين و الجيوفيزيائين في تقدير حركة السوائل داخل المكمن.

English Abstract

THESIS ABSTRACT NAME: Mohamed Sitouah TITLE OF STUDY: Estimation of Reservoir Properties from Seismic Attributes and Well Log Data Using Artificial Intelligence MAJOR FIELD: Geophysics DATE OF DEGREE: June, 2009 Permeability, Porosity and Lithofacies are key factors in reservoir characterizations. Permeability, or flow capacity, is the ability of porous rocks to transmit fluids, porosity, represent the capacity of the rock to store the fluids, while lithofacies, describe the physical properties of rocks including texture, mineralogy and grain size. Many empirical approaches, such as linear/non-linear regression or graphical techniques. Were developed for predicting porosity, permeability and lithofacies. Recently, researches used another tool named Artificial Neural Networks (ANNs) to achieve better predictions. To demonstrate the usefulness of Artificial Intelligence technique in geoscience area, we describe and compare two types of Neural Networks named Multilayer Perception Neural Network (MLP) with back propagation algorithm and General Regression Neural Network (GRNN), in prediction reservoir properties from seismic attributes and well log data. This study explores the capability of both paradigms, as automatique systems for predicting sandstone reservoir properties, in vertical and spatial directions. As it was expected, these computational intelligence approaches overcome the weakness of the standard regression techniques. Generally, the results show that the performances of General Regression neural networks outperform that of Multilayer Perceptron neural networks. In addition, General Regression Neural networks are more robust, easier and quicker to train. Therefore, we believe that the use of these better techniques will be valuable for Geoscientists.

Item Type: Thesis (Masters)
Subjects: Earth Sciences
Petroleum > Reservoir Characterization
Divisions: College Of Sciences > Earth Sciences Dept
Committee Advisor: Korvin, Gabor
Committee Members: . Osman, Abdullatif and Abdulazeez, Abdulraheem and Zerguine, Azzedine
Depositing User: SITOUAH MOHAMMED
Date Deposited: 22 Dec 2009 14:24
Last Modified: 01 Nov 2019 17:11
URI: http://eprints.kfupm.edu.sa/id/eprint/136198