یکی از دغدغههای همیشگی مهندسان در چاههای نفتی، توجه به چگونگی ساختارهای زمینشناسی چاه است.
بدون شک افزایش برداشت از چاه و مخزن و همچنین بهبود روشهای بهینهسازی عمر مخازن، اهمیت زیادی در مهندسی نفت دارد و سالهاست که ذهن مهندسان و متخصصین این حوزه را به خود مشغول کرده که در این ارتباط دانش فنی به شکل گستردهای به یاری مهندسان آمده و بحثها و تکنیکهای مختلفی به این منظور معرفی شده است.
تخلخل از جمله مولفههای مهم و اساسی در ارزیابی خصوصیتهای پتروفیزیکی مخازن هیدروکربوری است، از سوی دیگر «مغزهگیری» علمی دشوار و پرهزینه است و علاوه بر آن امکان مغزهگیری در برخی از چاهها به خصوص چاههای افقی وجود ندارد، بنابراین برای محاسبه «تخلخل مغزه» از تکنیک «شبکههای عصبی مصنوعی» به عنوان یک رهیافت جدید استفاده میشود.
طراحی شبکههای عصبی مصنوعی برای پیشبینی پارامترهای پتروفیزیکی انجام میشود. کاربرد این تکنیک هزینهها را کاهش داده و به اقتصادی بودن مطالعهها کمک میکند.
با مقایسه تخلخل حاصل از آنالیز نمونههای مغزه در آزمایشگاه و نتایج بدست آمده از شبکه، عملاً «ضریب انطباقی» حاصل میشود که نشاندهنده این است که با استفاده از این روش میتوان با اطمینان در مورد تخلخل مخزن صحبت کرد.
به طور کلی برآورد میزان ذخیره یک مخزن هیدروکربوری و ارزیابی مناطق تولید در یک مخزن، ارتباط مستقیمی با «تخلخل» دارد. امروزه علاوه بر مغزه، با استفاده از نگارههایی که از چاههای نفت تهیه میشود (مانند لاگ نوترون، لاگ صوتی و لاگ چگالی) میتوان تخلخل سازند را محاسبه کرد.
اما تخلخلی که از این نگارهها به دست میآید، تحت تاثیر عوامل مختلفی مانند وجود لایههای شیلی، ریختگی دیواره چاه و غیره قرار دارد و بنابراین نمیتواند نشاندهنده تخلخل دقیق مغزه باشد.
در صنعت نفت این پارامتر با استفاده از تزریق گاز هلیوم بر نمونههای مغزه (پلاگ) به دست میآید. یکی از روشهای نوین مورد استفاده در مدلسازی و تخمین تخلخل، طراحی «شبکههای عصبی مصنوعی» است که برای پیش بینی پارامترهای پتروفیزیکی به کار میرود.
این تکنیک، روشی محاسبهای است که برگرفته از علم زیست شناسی بوده و ابزاری قوی برای حل مشکلات فراروی صنعت نفت محسوب میشود. با استفاده از شبکههای عصبی مصنوعی میتوان رابطهای بین دادههای لاگ ( به عنوان ورودیهای شبکه) و تخلخل مغزه (به عنوان خروجی شبکه) برقرار کرد.شبکههای عصبی مصنوعی در واقع تقلید بسیار سادهای از رفتار سلولهای بیولوژیکی است. این روش یک ابزار محاسباتی در حل مسائل پیچیده و مبهم است که با استفاده از روشهای ریاضی (مانند معادلات دیفرانسیلی یا رگرسیونهای خطی) قابل محاسبه نیست.
اجزای تشکیل دهنده شبکههای عصبی مصنوعی شامل نورونها و لایهها هستند. این شبکهها میتوانند در «شناسایی الگو»، «ذخیره دادهها و بازیابی آنها»، «فیلتر کردن»، « noise دادهها »و «تقریب توابع برداری» به کار روند.
در حالت کلی یک شبکه عصبی از ٣ لایه تشکیل شده است:
لایههای ورودی که اطلاعات را دریافت میکنند، لایه میانی یا پنهان که خود میتواند شامل چندین لایه باشد و یکی از مهمترین پردازشگرهای اطلاعات است و لایه خروجی که این پردازش را دریافت کرده و خروجی نهایی را نتیجه میدهد.
این تکنیک نیاز به هیچ گونه اطلاعات قبلی درباره «ماتریکس سنگ» و «نوع سیال پرکننده فضاهای خالی» به منظور تخمین تخلخل ندارد و میتواند در حین عملیات حفاری و بدون نیاز به هرگونه ارزیابی پتروفیزیکی اولیه به کار رود.
شبکههای عصبی مصنوعی میتوانند با اطمینان قابل قبولی برای تخمین تخلخل چاههایی که فاقد مغزه هستند نیز مورد استفاده قرارگیرند.
مخازن شکافدار
مخازن شکافدار طبیعی از پیچیدهترین ساختارهای زمینشناسی و در عین حال از عمدهترین منابع تولید هیدروکربن در سراسر جهان و به ویژه کشور ایران به حساب میآیند. وجود انبوهی از شبکه شکافها در این گونه مخازن نقش بسزایی در هدایت سیالات نفتی به سمت چاهها و نیز گاهی ممانعت در امر تولید ایفا میکند که خود
سبب بروز فرضیهها و سناریوهای متعدد برای تولید بهینهی اقتصادی از این مخازن میشود.
در عین حال دشواریهای فراوانی برای شناخت مخازن شکافدار طبیعی وجود دارد.امروزه عمده روشهای موجود برای مدلسازی مخازن شکافدار طبیعی، استفاده از مفاهیم «زمین آماری» و مدلسازی فضایی خصوصیات مختلف سنگ و شکاف با بهرهگیری از علم آمار است، اما همچنان محدودیتهایی هم در برآورد ارتباط (correlation) میان خصوصیات مختلف شکاف وجود دارد (از قبیل اندازه (size) ، شیب (orientation) ، دهانه (aperture) و ...) در حال حاضر در علم «زمین آمار»، امکان استفاده از
«حداکثر دو پارامتر» و جستجوی ارتباط بین آنها را به مهندسین نفت میدهد که البته سبب سطحی بودن نتایج میشود.
مراحل مشخصهسازی و مدلسازی:
این تصویر به صورت شماتیک مراحل گوناگون برای تولید یک مدل بهینه و منطبق بر واقعیتهایی از توزیع هندسی تمام شکافها در فضای مخزن را نشان میدهد:
یکی از مهمترین مراحل مدلسازی، مشخصهسازی خصوصیات و پارامترهای گوناگون شکاف است.مشخصهسازی در واقع «تولید روابط ریاضی حاکم بر این خصوصیات» با استفاده از روشهای آماری، زمین آماری و شبکه عصبی است. بهرهگیری از قابلیتهای شبکههای عصبی مصنوعی و دیگر متعلقات هوش مصنوعی منوط به داشتن اطلاعات، دادهها و نتایج گسترده و وسیعی است، چرا که آموزش پذیری یک شبکه عصبی با افزایش تعداد مجموعههای ورودی و خروجی، ارتباط مستقیمی دارد.
همچنین اختصاص حجم مشخصی از این دادهها برای تایید اعتبار(Validation) شبکه عصبی آموزش لازم است. در عین حال ممکن است سبب کاهش قابل توجه دقت و صحت کارکرد خود شبکه شود. باید توجه داشت که هدف اساسی مهندسین، دستیابی به کارآمدترین سناریو برای «موقعیت یابی چاههای حفاری» و «روشهای تولید از مخزن» است و بنابراین در اولین گامهای حیات مخزن، باید توجه زیادی را معطوف روشهای توسعه و صیانت از مخزن، و همچنین مطالعهی فرآیندهای ازدیادبرداشت به عمل آورد.
فراموش نکنیم که نبود اطلاعات کافی در این مقطع، خود عامل منحرف کنندهای برای چنین تصمیمگیریهایی است.
بنابراین بهرهگیری حداکثر از فناوریهای موجود در مطالعههای مخزن و همچنین ارزیابی ابتدایی مخزن (از قبیل مطالعههای گستردهی زمین شناسی، لرزهنگاریهای میدانی،حفر چاههای اکتشافی و راندن ابزار نمودارگیری و مغزه گیری در آنها میتواند عامل افزایش کارکرد هوش مصنوعی در شبیهسازی ایستا و پویا از مخزن شکافدار تلقی شود.