Prediction of physical parameters of petroleum layers using neural networks and faciologic analyses
Prédiction des Paramètres Physiques des Couches Pétrolifères par Analyse des Réseaux de Neurones et Analyse Faciologique.
Abstract
Characterization of the shaly sand reservoirs by well log data is a practical way of reservoir
descriptions in the oil fields. During the last few years several studies were conducted in the
field of petroleum engineering by applying artificial intelligence. This work represents a
petrophysical-based method that uses well loggings and core plug data to predict well log data
recorded at depth in shaly sand reservoir of the Triassic Formation in Hassi R’Mel field
(Algerian Sahara). In the study of oil reservoirs, the prediction of absolute permeability is a
fundamental key in reservoir descriptions which has a direct impact on, amongst others,
effective completion designs, successful water injection programs and more efficient reservoir
management. The Triassic Formations of the Hassi R’Mel field are composed of sandstones
and shaly sand with dolomite. Logs from the 10 wells are the starting point for the reservoir
characterization. This work presents a hybrid neuro-fuzzy model based on the use of well log
data in porosity and permeability estimation. A fuzzy logic approach is used to calibrate the
calculated permeability and core permeability and neural network was developed in this
model based on data available in the field. Fuzzy analysis is based on fuzzy logic and is used
to get the best related well logs with core porosity and permeability data. Neural network is
used as a nonlinear regression method to develop transformation between the selected well
logs and core measurements. Porosity and permeability are predicted in these wells using the
linear regression and multilayer perceptron models are constructed. Their reliabilities are
compared using regression coefficients for predictions in uncored sections. This method of
intelligent technique is used as a powerful tool for reservoir properties estimation from well
logs in oil and natural gas development projects.
La caractérisation des réservoirs argilo-gréseux par les données de diagraphies est un moyen
pratique de la description des réservoirs dans les champs pétroliers. Au cours des dernières
années, plusieurs études ont été menées dans le domaine de l'ingénierie pétrolière en
appliquant l'intelligence artificielle. Ce travail représente une méthode basée sur la
pétrophysique qui utilise des diagraphies de puits et des données de modules de base pour
prédire et enregistrer les données en profondeur dans les réservoirs argilo-gréseux de la
formation du Trias dans le champ de Hassi R'Mel (Sahara algérien).
Dans l'étude des gisements de pétrole, la prédiction de la perméabilité absolue et de la
porosité est un élément fondamental dans les descriptions de réservoirs ayant un impact direct
sur les autres paramètres pétrophysiques, les programmes d'injection d'eau et la bonne gestion
de réservoir d’une manière plus efficace. Les formations du Trias du champ de Hassi R’Mel
sont composées de grès et de sable schisteux avec de la dolomie. Les enregistrements
diagraphiques de 10 puits de ce champ sont le point de départ pour la caractérisation de son
réservoir. Ce travail présente un modèle hybride "neuro-fuzzy" basé sur l'utilisation des
données de diagraphies pour l’estimation de la porosité et de la perméabilité. Une approche de
la logique floue (fuzzy logic) est utilisée pour comparer la perméabilité carotte et la
perméabilité calculée à partir des réseaux de neurones ainsi que celles de la porosité,
développées dans ce modèle sur la base des données disponibles au niveau des puits. La
logique floue est utilisée pour le choix des meilleurs rapports de forage associés à la porosité
et la base de données de perméabilité. Le réseau neuronal est utilisé comme méthode de
régression non linéaire pour développer une transformation entre diagraphies de puits
sélectionnés et mesures de porosité et de perméabilité. Cette technique de méthode
intelligente est utilisée comme un outil puissant pour l’estimation des propriétés des réservoirs
d’après les paramètres diagraphiques et dans les projets de développement pétrolier et de gaz
naturel