Prediction of Capillary Pressure for Arabian Oil Carbonate Reservoirs using Artificial Intelligence

Prediction of Capillary Pressure for Arabian Oil Carbonate Reservoirs using Artificial Intelligence. Masters thesis, King Fahd University of Petroleum and Minerals.

[img]
Preview
PDF (MS thesis of Yasser BuSaleh 200348490)
MS_Thesis_Defense_-_Yasser_BuSaleh_(v12).pdf - Published Version

Download (5MB) | Preview

Arabic Abstract

ضغط الشعيرات الأسموزية هي واحدة من أهم المعالم المستخدمة في توصيف المكامن ومرحلة التهيئة من نماذج المحاكاة. في السابق، لم يكن لدينا بيانات كافية لإجراء تقييم شامل للعديد من الخزانات النفطية. استخدمت في هذه الدراسة عدة أنواع من تقنيات الذكاء الاصطناعي للتنبؤ عن ضغط الشعيرات الأسموزية في مكامن النفط الكربونية المتعددة الأشكال والمعقدة التضاريس. لتطوير نماذج التنبؤ على الضغط الشعري الأسموزي، يتم استخدام مجموعة تدريب للبيانات التي تضم بيانات اختبار حقن الزئبق في العينة الصخرية لحساب ضغط الشعيرات الأسموزية في المعمل. في هذه الدراسة، تضمنت بيانات التدريب مجموعة من 70 ٪ من 202 عينة شملت قياسات المسامية والنفاذية وكثافة الحبيبات الترابية من اختبارات التحليل الأساسية التقليدية. وقد وضعت نماذج استخدام هذه البيانات للتنبؤ عن ضغط الشعيرات الأسموزية. باستخدام طريقة تقليص الخطأ، تم استخدام المقارنة بين النتائج المتوقعة والقياسات المعملية لإظهار صحة هذا التحليل من خلال الجداول والرسوم البيانية. تم اختبار النموذج على مجموعة بيانات جديدة، 30 ٪ المتبقية من 202 عينة، التي لم تكن مدرجة في مرحلة التدريب. تم تنفيذ هذه العملية على المنحنيات الأحادية، المنحنيات الثنائية، والجمع بين مجموعات جميع المنحنيات في سجل البيانات. تحليل نماذج تقنيات الذكاء الاصطناعي للتنبؤ عن ضغط الشعيرات الأسموزية في مكامن النفط الكربونية المستخدمة في هذه الدراسة، أظهرت أن لديها إمكانات واعدة لحل هذه المسألة المعقدة. ومع ذلك، لا يزال هناك مجال لتطوير طرق أخرى لحساب الضعط الشعري الأسموزي. هذه الطريقة تستخدم البيانات الأساسية من مجموعة صغيرة لاستخلاص النماذج التي يمكن استخدامها للتنبؤ عن ضغط الشعيرات الأسموزية في الخزانات النفطية التي تفتقر إلى هذه القياسات. هذا النهج المقترح لديه ثلاث مزايا: يوفر الوقت والمال، لا تتطلب عينات للبقع الجديدة في نفس المنطقة، ويستخدم النتائج المتوفرة إلى أقصى إمكاناتها من عينات د مرت سابقا. بينما الأعمال السابقة xxi لم تتناول تعدد المنحنيات السائدة في الصخور الكربونية من خلال استخدام مؤشر تدفق المنطقة ومؤشر جودة الصخور، فإن هذه الدراسة أخذت في عين الاعتبار تعدد المنحنيات السائدة من خلال منهج "ثمير".

English Abstract

Capillary pressure data is one of the most critical parameters used in reservoir characterization and initialization stage of simulation models. Many reservoirs do not have enough data for a comprehensive evaluation. This method utilizes a small core dataset to derive models that can be used to predict capillary pressure in reservoirs that lack these measurements. Several types of Artificial Intelligence (AI) techniques were utilized to predict capillary pressure in carbonate oil reservoirs with complex morphologies. To develop AI models that predict capillary pressure, a training dataset is used in this study that comprises of mercury injection drainage capillary pressure data. The training data included a set of 70% of 202 core samples that included porosity, permeability. and grain density measurements from conventional core analysis tests. Models were developed using this data to predict capillary pressure vs. saturation curves. Using an error estimation routine, a comparison between the predicted results and laboratory measurements was plotted and tabulated to show the validity of this analysis. The model was tested against a new dataset, the remaining 30% of the 202 core samples, that was not included in the training phase. This process was performed on uni-modal, bi-modal, and combined modal datasets. The analysis of the AI models used in this study showed that AI has promising potential to solve this complicated problem. xix The proposed approach has three advantages: (i) it saves time and money; (ii) it does not require core samples for new spots in the same area; and (iii) it uses the available results to their maximum potential from previously destroyed core samples. While previous work did not address the prevalent bimodality of the carbonate rock, this study addresses specifically the AI application to the different rock modals using Thomeer methodology.

Item Type: Thesis (Masters)
Subjects: Petroleum
Petroleum > Reservoir Engineering and Management
Petroleum > Reservoir Characterization
Petroleum > Reservoir Modelling and Simulation
Department: College of Petroleum Engineering and Geosciences > Petroleum Engineering
Committee Advisor: Abdulraheem, Abdulazeez
Committee Members: Osaka, Taha and Hassan, Md. Rafiul and ElKatatny, Salaheldin and AlShehri, Dhafer
Depositing User: BUSALEH YA RIDHA (g200348490)
Date Deposited: 23 Jan 2018 12:56
Last Modified: 31 Dec 2020 08:22
URI: http://eprints.kfupm.edu.sa/id/eprint/140569