Prediction of thermal maturity by indirect methods using seismic attributes in the central part of the Persian Gulf

Document Type : Research Paper

Authors

1 PhD candidate. Department of Sedimentary Basins and Petroleum, Faculty of Earth Sciences, Shahid Beheshti University, Tehran, Iran

2 Professor. Department of Sedimentary Basins and Petroleum, Faculty of Earth Sciences, Shahid Beheshti University, Tehran, Iran

3 Professor. Earth Sciences Department, Faculty of Natural Sciences, University of Tabriz, Tabriz, Iran.

4 Assistant Professor, Iranian Offshore Oil Company (IOOC), Tehran, Iran.

Abstract

Abstract
In this paper, a method is proposed for the prediction of thermal maturity in the source rock using indirect methods. The applied data are well logs (neutron, density, resistance, and acoustic) in 13 wells and seismic data in six oil and gas fields in the central part of the Persian Gulf. Well-logs and seismic data are much more abundant than geochemical data and cover an extensive area in the oil and gas fields. These properties compensate for the lack of geochemical data that are scattered and limited to a few wells. This study is carried out in two steps. First, the amount of thermal maturity in the Kazhdumi Formation is calculated from well logs and is presented as an index in each well. Data obtained from organic thermal evaluation analyses are used to validate the results of thermal maturity prediction. These data include Rock-Eval pyrolysis in two wells. Then, seismic data are processed and studied in two-dimensional sections at the location of the target fields. In this step, seismic attributes are extracted from the seismic data using the multi-attribute regression analysis method, and thermal maturity is calculated using these attributes. Prediction is performed by probabilistic neural network analysis, and a seismic section is extracted indicating variations in thermal maturity in the Kazhdumi Formation.
Keywords: Source rock, Thermal maturity, Well log, Seismic attribute
 
 
Introduction
 
The Kazhdumi Formation is an important source rock in the Persian Gulf basin, in the south of Iran (Bordenave Burwood, 1990). Thermal maturity of the Kazhdumi Formation is low in the central Persian Gulf compared to the eastern and western sectors (Rabbani 2008; Ghasemi-Nejad et al. 2009; Rezaie Kavanrudi et al. 2015; Rabbani et al. 2014; Baniasad et al. 2019). This formation is over-mature in proximity to the Hormoz Strait. The TOC content of this formation depends on the variety of depositional environments across the basin, increasing to the northwest with a maximum of 6 wt% in the proximity of the Hormoz strait (Rezaie Kavanrudi et al. 2015; Noori et al. 2016). The kerogen type is mainly ⅡS and type Ⅲ in different areas (Ghasemi-Nejad et al. 2009). The stratigraphic equivalents of the Kazhdumi Formation are the Burgan Formation in the west and south of the Persian Gulf (Kuwait), producing hydrocarbons from the second-largest hydrocarbon oilfield in the world, and the Nahr-Umr Formation in Qatar and Iraq. The Burgan and Nahr-Umr formations consist of fluvial sandstone in the south and east of the Persian Gulf compared to the shale-dominated volume in the north and central part (Ghasemi-Nejad et al. 2009; Noori et al. 2016).
The source rock potential of this formation is largely unknown and there is a lack of published reports in the central part of the Persian Gulf. the aim of this study is to use log and seismic data for indirect estimation of thermal maturity in this area.
 
Materials & Methods
In this study, neutron, density and sonic as well as gamma-ray logs are used to predict thermal maturity. The maturity index (MI) by Zhao et al. (2007) was used to describe the level of thermal maturity based on well logs. The response of the neutron and density logs is affected by the fraction of water in a formation. The hydrocarbon density also decreases due to thermal maturation. The maturity index is calculated based on the equation from Zhao et al. (2007)
(Eq. 1)
             
N: the number of log readings or the number of samples.
Øn9i: neutron porosity of rock samples with 9% density porosity or higher. The 9% is a cut-off for porosity in the calculations. Values lower than 9% are indicative of very dense formations such as anhydrite or dense dolomite known as non-source shales. The cumulative value of the calculated MI is presented as a maturity index in the Kazhdumi Formation in each well. 
In the second step, seismic data analysis, inversion of seismic data and log prediction are carried out. Inversion analysis starts with seismic data processing using well logs and 2D post-stack seismic data. An acoustic impedance log is created by the combination of density and sonic logs. Check-shot data are used for depth-to-time conversion resulting to the correlation of well and seismic data.  Following this, an initial strata or impedance model is constructed. This model is produced using the seismic volume, available well data and defined horizons. Seismic data, the initial strata model as well as available wells are applied as the input data for inversion analysis, and then the inversion method is selected.
 
Discussion of Results & Conclusions
Generally, thermal maturity status in the Kazhdumi Formation is between immature to mature in the study area in the central part of the Persian Gulf. According to the presented data in this study, this formation is mainly immature in 2, 3, 5 and 7 fields. Field number 4 is early mature and number 1 is mature. Field 6 shows an immature to mature level indicating that the maturity varies in this field.
In the next step, seismic attributes are selected by regression analysis for MI prediction. Attributes selection is a process for the extraction of seismic attributes from the raw seismic data for modeling the target log. Multi-attribute analysis is an automatic procedure for the selection of the most relevant seismic attributes to the target log.
Finally, extracted attributes are used for the log prediction by Probabilistic Neural Network analysis (PNN). It is trained based on the selected attributes in the previous step and then predicts the target parameters.
Acoustic impedance is recognized as the most important seismic attribute reflecting the geological properties (Chopra and Marfurt, 2005). The optimum number of attributes for MI prediction is four which shows the lowest prediction error, although the training error continuously decreases by adding more attributes. The validation plot of the target log is estimated by excluding the data step by step from the calculation. The reliability of the regression model is tested by comparing the prediction with the actual log values.
Thereafter, the 2D seismic section is converted to an MI volume. The variation in MI is continuous laterally and vertically, therefore, can be tracked throughout the basin.
A comparison of the computed MI with geochemical data indicated that this method is applicable for thermal maturity prediction in the study area. The increase in MI corresponds to an increase in the Tmax values, thus providing a good indicator of thermal maturity variation.
The last point to consider is the significance of the selected seismic attributes and their relationship with the target parameter. Results indicated that acoustic impedance is the most important seismic attribute in MI prediction. Acoustic impedance contains information about the velocity and formation density which are both affected by the formation fluids (Broadhead et al. 2016; Atarita et al. 2017). It is inversely related to the organic matter content (Harris et al. 2019). The computed thermal maturity is inversely related to the neutron porosity and water saturation which are both controlling parameters of the acoustic impedance in a formation.
Other attributes that have been used in the log prediction are time and amplitude-weighted frequency. These attributes are related to different geological properties of source/reservoir formations (Taner et al. 1994; Chen and Sidney 1997; Chopra and Marfurt 2005). Amplitude envelope (reflection strength) mainly represents acoustic impedance and is useful for identifying porosity, hydrocarbon and gas accumulation, sequence boundaries, and lithological/depositional environment variations (Chen and Sidney 1997; Hart 2002). Average frequency is defined as a signature of events and is useful for correlation, often reflecting oil and gas reservoirs by seismic attenuation (Taner et al. 1994). Amplitude-weighted frequency is a product of the amplitude envelope and the instantaneous frequency, providing a smooth estimation of instantaneous frequency by removing spikes and noises (Chen and Sidney 1997).
To sum up, well logs and seismic attributes are successfully applied to predict thermal maturity in the Kazhdumi Formation in the central part of the Persian Gulf.
The analysis shows that the Kazhdumi Formation is mainly immature to early mature in the central part of the Persian Gulf.
Seismic data are spatially continuous which is an advantage in source rock evaluation, resulting in continuous predictions of thermal maturity in hydrocarbon fields.
Using seismic data is also cost-effective and less time-consuming than geochemical testing. 

Keywords

Full Text

مقدمه

سازند کژدمی با سن آلبین، یک سنگ منشأ مهم در خلیج‌فارس شناخته می‌شود (Bordenave Burwood 1990; Bordenave and Burwood 1995) (شکل 1). مقدار کل کربن آلی و بلوغ حرارتی این سازند در مناطق مختلف خلیج‌فارس متفاوت است. براساس مطالعات انجام‌شده، بلوغ حرارتی این سازند به‌طور کلی در بخش مرکزی خلیج‌فارس، پایین‌تر از دیگر مناطق است و این سازند در حوالی تنگۀ هرمز، فوق بالغ گزارش شده است (Rabbani 2008; Rabbani et al. 2014; Rezaie Kavanrudi et al. 2015; Baniasad et al. 2019). کروژن سازند در برخی میدان‌های این منطقه از نوع سولفوردار (ⅡS) و نوع Ⅲ گزارش شده است (Bordenave and Burwood 1995; Ghasemi-Nejad et al. 2009). معادل چینه‌ای سازند کژدمی در بخش غرب و جنوب خلیج‌فارس (کویت)، بورگان نام دارد که تولید‌کنندۀ عظیم هیدروکربن در دومین میدان نفتی بزرگ جهان است. معادل این سازند در عراق و قطر، سازند نهر عمر (Nahr-Umr) نام دارد. سازند‌های نهر عمر و بورگان شامل رسوبات ماسه‌ای رودخانه‌ای‌اند که این خصوصیات در بخش‌های شمالی خلیج‌فارس به سازندی ریز‌دانه و شیلی تغییر می‌کند (Noori et al. 2016; Ghasemi-Nejad et al. 2009). پتانسیل سنگ منشأ در این سازند در بخش مرکزی خلیج‌فارس نسبت‌به دیگر مناطق خلیج‌فارس، به‌طور دقیق مطالعه نشده است و داده‌های زیادی از ژئوشیمی آلی این سازند از همۀ میدان‌های این منطقه در دسترس نیست؛ بنابراین، هدف از این مطالعه، دریافت کلی و ارزیابی بلوغ حرارتی این سازند در این منطقه است. اما این مطالعه بر پایۀ روش‌های غیر‌مستقیم و با استفاده از داده‌های چاه‌پیمایی و لرزه‌ای است. روش‌های متداول برای آنالیز ژئوشیمیایی شامل پیرولیز راک-اول و ضریب انعکاس ویترینایت‌اند (Peters and Cassa 1994). یکی از ویژگی‌های نمودار‌های چاه‌پیمایی، بازتاب خصوصیات سیالات سازند، شامل کمیت و تغییرات آنهاست. استفاده از نمودارهای چاه‌پیمایی برای آگاهی از خصوصیات سنگ منشأ، روش ناشناخته‌ای نیست و در مطالعات پیشین، از خصوصیات شیمیایی، صوتی و الکتریکی مواد آلی و اثر آن بر نمودارهای چاه‌پیمایی استفاده‌های زیادی شده است (King and Fertl 1979; Meyer and Nederlof 1984; Fertl et al. 1988; Abarghani et al. 2019; Passey et al. 1990;). روش استفاده‌شده برای تعیین بلوغ حرارتی با استفاده از نمودارهای چاه در این مقاله، برگرفته از مطالعۀ ژائو (2007) است.

بخش دوم مقاله مربوط به معکوس‌سازی داده‌های لرزه‌ای (Inversion analysis) برای تبدیل داده‌های لرزه‌ای به امپدانس صوتی است. امپدانس صوتی یک نشانگر لرزه‌ای بسیار مهم برای تخمین خصوصیات زمین‌شناسی است (Russell 1988; Cooke and Cant 2010). نشانگر‌های لرزه‌ای مانند دامنه و فرکانس، از خصوصیات ذاتی داده‌های لرزه‌ای‌اند که هریک ویژگی‌هایی از سنگ و یا سیالات را نشان می‌دهند و در مطالعات بسیاری از این نشانگرها، برای تفسیر و برقراری ارتباط میان خصوصیات زمین‌شناسی و داده‌های لرزه‌ای استفاده شده است (Chen and Sidney 1997; Chopra and Marfurt 2005; Taner et al. 1994).

معکوس‌سازی، فرآیند استاندارد برای تولید امپدانس صوتی از داده‌های لرزه‌ای است که اولین بار لینست (Lindseth 1972) آن را برای به دست آوردن اطلاعات پتروفیزیکی، اشباع سیالات و لیتولوژی مطرح کرد و همچنین مطالعات متعددی دربارۀ استفاده از امپدانس صوتی در تعیین خصوصیات زمین‌شناسی وجود دارد (Chopra and Marful 2005; Farfour et al. 2015; Kumar et al. 2016; Fawad et al. 2020). تلفیق نشانگرهای لرزه‌ای و نمودارهای چاه‌پیمایی برای تعیین بلوغ حرارتی را در گذشته، (2017) Abdizadeh et al.معرفی کرده‌اند که در این مقاله برای مطالعۀ سازند کژدمی از آن استفاده شده است.

 

 

شکل 1- منطقۀ مطالعه‌شده در بخش مرکزی خلیج‌فارس و میدان‌های گازی نفتی مطالعه‌شده (که از 1 تا 7 نام‌گذاری شده‌اند)

Fig 1- The location of study area in the Persian Gulf. (oil and gas fields are indicated by numbers from 1 to 7).

 

 

زمین‌شناسی منطقه

حوضۀ خلیج‌فارس در‌نتیجۀ برخورد صفحۀ عربی و اوراسیا در میوسن پسین شکل گرفته است (Alavi 2004) و به‌عنوان یک پیش خشکی (foreland basin)، که با رسوبات تخریبی آواری و کربناته انباشته شده است، در نظر گرفته می‌شود (Ghazban 2009). تشکیل این حوضه از یک ریفت در پروتروزییک آغاز می‌شود (Al-Husseini 2000) و سپس با آپلیفت و تغییر شکل در کوهزایی هرسینین در کربونیفر ادامه پیدا می‌کند. برخورد صفحۀ عرب و اوراسیا موجب دوره‌های متعددی از فعالیت‌های تکتونیکی، شامل بالا‌آمدگی و فرسایش و کوهزایی زاگرس (در مزوزوییک – سنوزوییک‌) شده است (Alsharhan & Nairn 1997; Konert et al. 2001; Sharland et al. 2001; Ziegler 2001). کمان قطر یک ساختار طاقدیس‌مانند در بخش مرکزی خلیج‌فارس است (شکل 1) که آن را به دو بخش شرقی و غربی تقسیم می‌کند. به‌طور کلی، همۀ ساختارها در این منطقه به‌تدریج از کامبرین تا مزوزوییک، در اثر فعالیت‌های متعدد گسل‌های پی‌سنگ تشکیل شده‌اند (Murris 1980, Edgell 1996; Alavi 2004). رشد و بالا‌آمدگی کمان قطر (Late Triassic to early Jurassic, Turonian, Late Eocene to Oligocene, and Early Miocene – Pliocene) به‌شدت بر ضخامت و عمق سازند‌ها در این منطقه و همچنین رژیم‌های تکتونیکی تأثیرگذار بوده است که در‌نتیجۀ آن گسل‌ها، بالا‌آمدگی‌های متعدد و فرسایش و همچنین گنبد‌های نمکی تشکیل شده‌اند (Alsharhan and Narin 1997;).

یک پیشروی مهم در کرتاسۀ پسین موجب رسوب نهشته‌های غنی از مواد آلی و تشکیل سنگ منشأ مهم در این زمان شده است (Alsharhan and Nairn 1997). این نهشته‌ها، سازند کژدمی را تشکیل می‌دهند که مهم‌ترین سنگ منشأ در منطقه است (Bordenave and Burwood 1995). سازند کژدمی در خلیج‌فارس، یک سازند شیلی تیره‌رنگ به‌همراه مارن و بین لایه‌هایی از ماسه‌سنگ در بخش‌های زیرین تشریح شده است (Ghasemi-Nejad et al. 2009). این سازند به‌صورت جانبی از شیل‌های غنی از مواد آلی به یک مخزن ماسه‌سنگی در بخش‌های غربی خلیج‌فارس تغییر می‌کند (Noori et al. 2016). مطالعات متعددی کیفیت سنگ منشأ این سازند را بررسی کرده‌اند (Rabbani 2008; Ghasemi-Nejad et al. 2009; Soleimani et al. 2014; Bolandi et al. 2015; Rezaie Kavanrudi et al. 2015; Baniasad 2019) که همگی بر‌اساس آنالیز‌های ژئوشمیایی-فسیل شناسی استوارند. ضخامت میانگین این سازند نیز متغیر است و از 50 تا 70 متر در بخش مرکزی با افزایش به ‌سمت‌های شرقی و غربی همراه است که حداکثر آن 269 متر در نزدیکی تنگۀ هرمز گزارش شده است (Ghazban 2009).

این سازند به پنج عضو تقسیم شده است که شامل سه عضو ماسه‌ای (A, B, C)، عضو آهکی و بخش بالایی کژدمی است. حجم بالای سیلت و رس نیز در بخش ماسه‌‌ای گزارش شده است (Ghasemi-Nejad et al. 2009). این سازند در فروافتادگی دزفول، با حجم بالای مواد آلی در سنگ‌آهک آرژیلی با فسیل‌های دریای باز تشریح شده است (فرامینیفرای پلانکتونیک، رادیولاریت و اسفنج) (Bordenave and Burwood 1995). شکل 2، ستون چینه‌شناسی سازند‌های کرتاسه را در منطقۀ مطالعه‌شده و مقاطع میکروسکپی را از سازند کژدمی نشان می‌دهد.

 

 

شکل 2- A: ستون چینه‌‌ای مربوط به ژوراسیک-کرتاسه در خلیج‌فارس (Al-Husseini 2008)؛ B: لیتولوژی سازند کژدمی در بخش مرکزی خلیج‌‌فارس بر‌ا‌ساس گزارش‌های منتشر‌نشده (Tavakoli 2014)؛ C: مقاطع نازک سازند کژدمی در میدان 6. از بالا به پایین: بایو کلاستیک وکستون، مادستون، دولستون، و بایوکلاستیک وکستون/پکستون

Fig 2- A: Cretaceous stratigraphic Chart in the Persian Gulf (from Al-Husseini 2008). B: Lithology (%): Kazhdumi Formation in the central part of the Persian Gulf based on unpublished NIOC report (Tavakoli 2014). C: Microscopic thin sections from the Kazhdumi Formation in Rsh oilfield. 1: Bioclastic wackestone (1506), 2: Mudstone (1538), 3: Dolomudstone (1562), 4: Bioclastic wackestone/packstone (1582).

 

داده‌ها و روش مطالعه

تعیین بلوغ حرارتی

در این مطالعه، از نمودار‌های نوترون، چگالی، صوتی و گاما استفاده شده است. ابتدا اندیس بلوغ حرارتی (MI) محاسبه می‌شود. MI را اولین‌بار ژائو و همکاران (Zhao et al. 2007) معرفی کردند. این پارامتر با استفاده از نمودار‌های نوترون و چگالی و آب اشباع‌شدگی محاسبه می‌شود. رابطۀ بین بلوغ حرارتی و پاسخ نمودار‌های ذکر‌شده بر مبنای تغییرات سیالات سازند، شامل آب سازند در اثر بلوغ کروژن و تغییرات یا کاهش چگالی هیدروکربن است. بلوغ حرارتی و تولید هیدروکربن با افزایش فشار و خروج آب از شیل‌های غنی از مواد آلی همراه است؛ بنابراین، آب اشباع‌شدگی و چگالی هیدروکربن با بلوغ حرارتی ارتباط معکوس دارند. همچنین پاسخ نمودارهای چاه، به نوع سیال سازند حساس است؛ برای مثال، نمودار نوترون که تحت تأثیر هیدروژن سازند قرار می‌گیرد، با تغییرات میزان آب، کم یا زیاد می‌شود.

اندیس بلوغ حرارتی بر‌اساس معادلۀ زیر محاسبه می‌شود (Zhao et al. 2007):

معادلۀ 1:

 

 

 

در این معادله:

N: تعداد نمونه‌ها یا برداشت از نمودار‌های چاه.

Øn9i: تخلخل نوترون مربوط به اولین نمونۀ با تخلخل چگالی بالای‌ 9%. این 9‌درصد حداقل تخلخل پذیرفتنی برای نمونه‌های استفاده‌شده است که کمتر از آن شامل لیتولوژی‌های بسیار متراکم و نفوذناپذیرند و نمی‌توانند حاوی مقادیر درخور توجهی از سیالات و یا TOC باشند؛ بنابراین سنگ منشأ در نظر گرفته نمی‌شوند. در این معادله MI یک مقدار تجمعی حاصل از همۀ نمونه‌های‌ استفاده‌شدنی در سازند است و به‌صورت یک عدد ارائه می‌شود که معرف بلوغ حرارتی از کل سازند است.

Sw75i: آب اشباع‌شدگی سنگ برای نمونه‌های با اشباع‌شدگی کمتر از 75‌درصد است؛ زیرا بالاتر از این مقدار آب اشباع‌شدگی برای سنگ منشأ پذیرفتنی نیست. آب اشباع‌شدگی از معادلۀ زیر محاسبه می‌شود:

معادلۀ 2:

 

Rw: مقاومت آب سازند؛

  d: تخلخل نمودار چگالی با حداقل 9‌% در نظر گرفته شده؛

m: فاکتور سیمان‌شدگی؛

Rt : مقاومت واقعی سازند.

مقدار تجمعی MI محاسبه‌شده به‌عنوان اندیس بلوغ حرارتی در هریک از چاه‌ها در سازند کژدمی ارائه می‌شود. این مقدار در 13 چاه و هفت میدان شامل 1، 2، 3، 4، 5، 6 و 7 محاسبه شده است.

 

پردازش داده‌های لرزه‌ای

برای پردازش در نرم‌افزار همسون راسل، از داده‌های دوبعدی پس از برانبارش، داده‌های شوت کنترل و نمودار‌های چاه (شامل نوترون، چگالی و صوتی)‌، استفاده می‌شود. داده‌های شوت کنترل برای تبدیل عمق به زمان و تطابق داده‌های چاه و لرزه‌ای به کار می‌روند. ابتدا یک موجک از داده‌های لرزه‌ای استخراج می‌شود. این موجک برای تولید لرزه‌نگاشت مصنوعی در قدم بعدی استفاده می‌شود. شکل 3 دامنه و فرکانس موجک استخراج‌شده از روش آماری را از داده‌های لرزه‌ای نشان می‌دهد (Nanda 2016). با همامیخت موجک و بازتاب لرزه‌ای‌ و لرزه‌نگاشت مصنوعی تولید‌شده از نمودار‌های چاه‌پیمایی، انطباق داده‌های چاه و لرزه‌ای در هریک از چاه‌ها انجام می‌شود. انطباق داده‌های چاه و لرزه‌ای، مهم‌ترین بخش در پردازش داده‌های لرزه‌ای است.

 

 

 

 

 

 

شکل 3- موجک استخراج‌شده از داده‌های لرزه‌ای در میدان شمارۀ 7‌

Fig 3- The statistically extracted wavelet for seismic-well correlation in the studied well in an oilfield (7)

 

 

در قدم بعد، معکوس‌سازی یا وارون‌سازی داده‌ای لرزه‌ای انجام می‌شود و درنتیجۀ آن مقطع تولید‌شده، نمایشگر امپدانس صوتی است. در این مرحله، امپدانس صوتی به‌عنوان یک نشانگر لرزه‌ای، برای پیش‌بینی و مدل‌سازی نمودار بلوغ حرارتی استفاده می‌شود. روش استفاده‌شده برای این وارون‌سازی لرزه‌ای، بر پایۀ مدل (Model-Based) است. این روش به‌دلیل سابقۀ کاربرد مؤثر آن در مطالعات مخزنی و اشباع سیالات به کار رفته است (Russell 1988; Kumar et al. 2016; Oyeyemi et al. 2017; Shankar et al. 2021). این فرآیند در دو مرحله انجام شده است. ابتدا آنالیز اولیۀ وارون‌سازی انجام شده است و نتایج آن در هر چاه بر‌اساس داده‌های استفاده‌شده، شامل داده‌های چاه، لرزه‌ای و مدل امپدانس اولیه اعتبار‌سنجی‌ و در قدم بعدی مقطع امپدانس صوتی تولید می‌شود.

 

انتخاب نشانگرهای لرزه‌ای

مدل‌سازی نمودار‌های چاه‌پیمایی با استفاده از داده‌های لرزه‌ای، یک روش شناخته‌شده در مطالعات مهندسی و زمین‌شناسی است که با ادغام داده‌های چاه و لرزه‌ای و استخراج نشانگرهای لرزه‌ای انجام می‌شود (Hampson et al. 2001; Abdizadeh et al. 2017; Das and Mukerji 2020). انتخاب نشانگر‌های لرزه‌ای، یک فرآیند مشخص در نرم‌افزار است که به‌صورت خودکار، تعداد بهینۀ نشانگرهای لرزه‌ای را با روش‌های ریاضی از داده‌های لرزه‌ای استخراج می‌کند. این نشانگر‌ها باید بیشترین ارتباط را با پارامتر مدنظر داشته باشند. در این مطالعه، ارتباط مستقیم و غیر‌مستقیم بین داده‌ای ورودی (نشانگر‌های لرزه‌ای) و پارامتر مدنظر (MI) بررسی شده است تا متناسب‌ترین نشانگر‌ها انتخاب و بهترین پیش‌بینی از بلوغ حرارتی انجام شود. در این مرحله برای تعیین نشانگر‌های لرزه‌ای، از آنالیز رگرسیون چند نشانگری (Multi-Attribute Regression analysis) استفاده می‌شود. این روش بهترین روابط میان پارامتر مستقل (نشانگر‌های لرزه‌ای) و وابسته (MI) را استخراج می‌کند. نشانگر‌های انتخاب‌شده از این روش اعتبار‌سنجی می‌شوند و درنهایت نشانگر‌های انتخاب‌شده با استفاده از آنالیز شبکۀ عصبی برای مدل‌سازی نمودار مدنظر به کار می‌روند.

 

داده‌های ژئوشیمی آلی

داده‌های ژئوشیمی آلی، شامل نتایج آزمایش‌های پیرولیز راک- اول، انعکاس ویترینایت می‌شود. تعداد 200 عدد از داده‌های پیرولیز راک-اول از سازند کژدمی در منطقۀ مطالعه‌شده جمع‌آوری شده است و 80 مورد از آن که به چاه‌های مدنظر مربوط بودند و در نزدیک‌ترین فاصله از مقطع مطالعه‌شده قرار داشتند، از دیگران تفکیک شده است. این تعداد به‌طور دقیق بررسی و در این مقاله از نمونه‌هایی از سازند کژدمی استفاده شده است که صحتشان بر‌اساس معیار معرفی‌شدۀ پیترز و همکاران (Peters and Cassa 1994) تأیید‌شدنی است. پارامترهای معیار برای تعیین بلوغ حرارتی در این مقاله شامل دمای حداکثر (Tmax) و ضریب انعکاس ویترینایت‌اند.

 

نتایج

تخمین بلوغ حرارتی بر‌اساس داده‌های چاه

بر‌اساس روش‌ها و روابط ارائه‌شده در بخش‌های قبل، بلوغ حرارتی سازند کژدمی با استفاده از نمودارهای چاه‌پیمایی در این بخش از خلیج‌فارس، در بیشتر موارد بین نابالغ تا بالغ تعیین شده است. مقدار بلوغ حرارتی بر‌اساس معادلات بالا محاسبه و نتایج در جدول 1 آورده شده است. در این نمونه‌ها، بلوغ حرارتی سازند کژدمی به سه سطح نابالغ، نوبالغ و بالغ تقسیم می‌شود. با استفاده از این داده‌ها، ابتدا در هر چاه برای سازند کژدمی یک اندیس بلوغ حرارتی ارائه شده است؛ سپس تغییرات بلوغ حرارتی به شکل یک نمودار در سازند یا بازۀ مدنظر تعیین می‌شود که به آن نمودار بلوغ حرارتی می‌گوییم و آن را در مراحل بعد برای استفاده در پردازش داده‌های لرزه‌ای و تخمین بلوغ حرارتی بر‌اساس نشانه‌های لرزه‌ای به کار می‌بریم.

 

 

جدول 1- مقدار اندیس بلوغ محاسبه‌شده در سازند کژدمی در شش میدان در بخش مرکزی خلیج‌فارس

Table 1- The calculated MI based on well data in the Kazhdumi Formation in six fields in the central part of the Persian Gulf.

تعداد چاه‌ها

میدان

عمق تقریبی در میدان (متر)

ضخامت (متر)

MI

وضعیت بلوغ

1

1

1350

50- 70

6

نو بالغ

1

2

1200-1100

40

3

نابالغ

2

3

1050 - 1200

40 - 45

5/4 – 5/5

نابالغ - نوبالغ

1

4

1300 - 1400

72

5/5

نوبالغ

3

5

1600 - 2200

65 - 90

6/2- 5/4

نابالغ

3

6

1400 -1700

63 - 80

5 – 5/6

نابالغ - بالغ

2

7

1600 - 2100

100

3 – 4

نابالغ

 

 

وارون‌سازی داده‌های لرزه‌ای

شکل 4 نتیجۀ آنالیز وارون‌سازی داده‌های لرزه‌ای را در یک چاه نشان می‌دهد. این شکل، نمودار امپدانس تولید‌شده و ضریب تطابق و خطای آن را نشان می‌دهد. ضریب تطابق میان امپدانس صوتی تولید‌شده و واقعی 99/0 است. در سمت راست، موجک استفاده‌شده، لرزه‌نگاشت واقعی و لرزه‌نگاشت مصنوعی را به‌همراه خطای تطابق نشان می‌دهد. بعد از انجام آنالیز وارون‌سازی براساس داده‌های ورودی، مقطع امپدانس صوتی تولید می‌شود که نمایشگر تغییرات این پارامتر در سرتاسر مقطع لرزه‌ای است. امپدانس صوتی تولید‌شده یک نشانگر لرزه‌ای مهم برای برقراری ارتباط میان داده‌های لرزه‌ای و خصوصیات زمین‌شناسی است که از آن برای پیش‌بینی بلوغ حرارتی در قدم بعد استفاده شده است.

 

 

 

 

شکل 4- آنالیز معکوس‌سازی بر اساس داده‌های موجود و موجک استخراج‌شده در یک چاه در میدان 3 رنگ آبی: نمودار امپدانس اصلی، سیاه: مدل اولیه، قرمز: نمودار معکوس‌شده

Fig 4- Inversion analysis. Blue: original log; black: the initial model; red: the inverted log.

 

 

تخمین بلوغ حرارتی بر‌اساس نشانه‌های لرزه‌ای

نشانگرهای لرزه‌ای تعیین‌شده بر‌اساس آنالیز رگرسیون در جدول 2 ارائه شده‌اند. امپدانس صوتی، دامنه و فرکانس از مهم‌ترین نشانگرهای لرزه‌ای‌اند که هریک قابلیت بازتاب برخی از ویژگی‌های زمین‌شناسی را دارند (Taner et al. 1994, 1979; Taner 2001, Copra and Marfurt 2005). رابطۀ میان این نشانگرها و پارامتر‌های مدنظر این مطالعه در جدول 2 نشان داده شده است. نشانگرهای انتخاب‌شده برای پیش‌بینی MI شامل امپدانس صوتی، زمان، فرکانس وزنی دامنه و مختصات X و Y هستند. در شکلA 5 نمودار اعتبار‌سنجی پیش‌بینی انجام‌شده به‌همراه خطای آن را نشان می‌دهد. بهترین تعداد نشانگر‌های انتخابی برای پیش‌بینی MI چهار است که پایین‌ترین مقدار خطای پیش‌بینی را نشان می‌دهد؛ اما میزان خطای پیش‌بینی با داده‌های آموزش‌دیده با افزایش تعداد نشانگر‌ها کاهش می‌یابد. اعتبارسنجی پیش‌بینی نمودار مدنظر با خارج‌کردن یک نمونه یا چاه و پیش‌بینی آن انجام می‌شود و در‌نهایت مدل رگرسیون با مقایسۀ داده‌های اصلی با مقادیر پیش‌بینی‌شده ارزیابی می‌شود (Russel 2004).

 

 

 

 

 

 

 

 

 

جدول 2- نشانگرهای لرزه‌ای منتخب با روش رگرسیون چندگانه برای پیش‌بینی بلوغ حرارتی

Table 2- List of the selected seismic attributes by multi-attribute analysis for MI prediction

 

پارامتر مدنظر

نشانگر لرزه‌ای

توضیحات

خطای آموزش

خطای پیش‌بینی

1

مجذور (MI)

مجذور (Zp معکوس)

امپدانس صوتی یک نشانۀ زمین‌شناسی است و رابطۀ مستقیم با بلوغ حرارتی مواد آلی را در چاه‌های مطالعه‌شده نشان می‌دهد.

7562/0

9282/0

2

مجذور (MI)

زمان

زمان (رفت و برگشت) این مقدار نشان‌دهندۀ این است که با افزایش عمق، مقدار بلوغ حرارتی تغییر می‌کند.

5233/0

6982/0

3

مجذور (MI)

X - مختصات

مقادیر نقشه که به تولید مقاطع لرزه‌ای از پارامتر مدنظر منجر می‌شوند.

4175/0

5964/0

4

مجذور (MI)

Y - مختصات

مقادیر نقشه که به تولید مقاطع لرزه‌ای از پارامتر مدنظر منجر می‌شوند.

4028/0

5269/0

5

مجذور (MI)

فرکانس وزنی دامنه

حاصل پوش دامنه و فرکانس لحظه‌ای. دامنه و فرکانس، اطلاعاتی دربارۀ زمین‌شناسی، ساختار‌ها و هیدروکربن‌ها به دست می‌دهند.

3830/0

5583/0

 

 

در قدم بعد، پیش‌بینی نمودار MI از روش آنالیز شبکۀ عصبی انجام می‌شود. در این بخش از روش شبکۀ عصبی احتمالاتی (Probabilistic Neural Network analysis) به‌دلیل نتایج بهتر در پیش‌‌بینی و کمتر‌بودن خطای پیش‌بینی از میان دیگر روش‌های موجود برای آنالیز شبکۀ عصبی استفاده شده است. این روش قابلیت پیش‌بینی کنترل‌شدۀ پارامترهای مختلف را دارد (Specht 1990; Russell et al. 2003). این روش ابتدا آموزش داده می‌شود، سپس با استفاده از نشانگرهای لرزه‌ای مدنظر، پیش‌بینی را انجام می‌دهد. شکل B 5 تطابق نمودار MI اصلی و پیش‌بینی‌شده از روش PNN را با استفاده از پنج نشانگر لرزه‌ای نشان می‌دهد. شکل‌های C و D 5 نتایج پیش‌بینی نمودار مدنظر را با استفاده از داده‌های آموزش‌دیده و اعتبار‌سنجی آن را در چهار چاه نشان می‌دهد. ضریب تطابق میان پیش‌بینی انجام‌شده و داده‌های اصلی در هر دو مرحله، بالاتر از 8/0 است.

در قدم بعدی از داده‌های لرزه‌ای برای پیش‌بینی بلوغ حرارتی در مقیاس گسترده‌تر در منطقه استفاده شده است. مقادیر MI با استفاده از نشانگر‌های تعیین‌شده در بخش Emerge نرم‌افزار همسون - راسل پیش‌بینی شده‌اند. در‌نتیجۀ این فرآیند، مقطع لرزه‌ای به مقاطع تغییرات بلوغ حرارتی تبدیل می‌شوند. شکل 6 مقاطع لرزه‌ای تبدیل‌‌شده به بلوغ حرارتی را در سازند کژدمی در میدان‌های 2 و 4 نشان می‌دهد. بر‌اساس این شکل، بلوغ حرارتی در سازند کژدمی، در مقطع A بیشتر از مقطع B است. در شکل C این تغییرات به سه گروه نابالغ، نوبالغ و بالغ تفکیک شده است و تغییرات از حالت پیوسته به‌صورت ناپیوسته نشان داده شده است. بر‌اساس شکل D، تغییرات این پارامتر در جهت قائم و جانبی پیگیری‌شدنی است. در این مقطع تغییرات جانبی سازند کژدمی مشاهده‌شدنی است، اما پیش‌بینی انجام‌شده به یک سازند منتهی می‌شود و یا شامل چند سازند است. محدودکردن پیش‌بینی در جهت قائم موجب افزایش دقت مطالعه می‌شود. دقت این پیش‌بینی در جهت جانبی، وابسته به تعدادی از چاه‌های مطالعه‌شده است. بر‌اساس نتایج مطالعات، چنان‌که در مقطع D نیز تا حدودی مشاهده‌شدنی است، بلوغ حرارتی سازند کژدمی با فاصله از کمان قطر به‌سمت شرق افزایش می‌یابد و دلایل آن را می‌توان در پدیده‌های تکتونیکی جست‌وجو کرد که البته خارج از محدودۀ این مطالعه است.

 

 

 

شکل 5- A: نمودار اعتبار‌سنجی پیش‌بینی بلوغ حرارتی (که میزان خطای پیش‌بینی بر‌اساس تعداد نشانگر‌ها را نشان می‌دهد)؛ B: تطابق نمودار پیش‌بینی‌شده و نمودار مدل‌سازی‌شده بر‌اساس نشانگرهای لرزه‌ای و میزان خطای پیش‌بینی؛  C: نمودار بلوغ حرارتی مدل‌سازی‌شده بر‌اساس داده‌های آموزش‌دیده و D: نمودار اعتبار‌سنجی روش استفاده‌شده

Fig 5- A: MI prediction error by well showing the trained and blind data; B: cross plot of predicted MI vs the actual MI by PNN analysis; C and D: the plot of actual and modeled MI logs by trained data and blind data respectively.

 

 

شکل 6- مقطع حاصل از محاسبۀ بلوغ حرارتی در میدان‌های 4 و 2 (مقاطع A و B) و در کل منطقه (D)

 مقدار MI در سازند کژدمی در مقطع A بیشتر از B نشان داده شده است و C: تفکیک بخشی از منطقه در یک مقطع از چاه شمارۀ 2 به سه دستۀ نابالغ، نوبالغ و بالغ

Fig 6- Seismic sections indicating the MI values in 2 and 4 fields (A and B), and 1 to 6 fields (C). The MI values of the Kazhdumi Formation in 2 gas field is between 2.5 – 4.5 in the seismic section (well G1) which is lower compared to section A.

 

بحث

بلوغ حرارتی سازند کژدمی

بر‌اساس نتایج، سازند کژدمی در میدان‌های 2، 3، 5 و 7 عمدتاً نابالغ، در میدان‌های 1 و 6 بالاترین بلوغ حرارتی مشاهده شده است که عموماً نوبالغ تا بالغ‌اند. دربارۀ میدان‌های 1 و 4 نمی‌توان با قطعیت نظر داد؛ زیرا داده‌های این میدان‌ها فقط در یک چاه موجود است. از میدان شمارۀ 6 نیز یک چاه نابالغ تخمین زده شد که داده‌های ژئوشیمی آلی نیز آن را تأیید می‌کند. بازه‌های تغییرات بلوغ حرارتی بر‌اساس مقالۀ Zhao et (2007)  al.با کمی تغییرات تعیین شده است. این تغییرات براساس مقایسۀ نتایج با آنالیز‌های ژئوشیمی و روند تغییرات این پارامتر در منطقه و مقایسه با داده‌های ژئوشیمی آلی اعمال شده است. بر‌اساس بخش‌های پیشین، ابتدا میزان بلوغ حرارتی با استفاده از روابط ذکر‌شده در میدان‌های بخش مرکزی خلیج‌فارس تعیین شده است. مقادیر MI بالاتر از 6 بالغ، بین 5 تا 6 نوبالغ و کمتر از 5 نابالغ در نظر گرفته شده است. به‌طور کلی سازند کژدمی در بیشتر چاه‌ها نابالغ بوده و در این دسته‌بندی هیچ موردی به‌عنوان فوق بالغ مشاهده نشده است و موارد بالغ نیز محدودند. انطباق MI محاسبه‌شده با داده‌های ژئوشیمیایی نشان داد که روش استفاده‌شده برای محاسبۀ بلوغ حرارتی با استفاده از داده‌های نمودارهای چاه در منطقۀ مطالعه‌شده، تا حد زیادی استفاده‌شدنی است. تغییرات بلوغ حرارتی در منطقه بر‌اساس پدیده‌های زمین‌شناسی و تکتونیکی با معنی و تفسیر‌دادنی‌اند که این مسئله از بحث این مطالعه خارج است؛ اما این تغییرات را می‌توان در مقاطع لرزه‌ای پیش‌بینی‌شده از مقدار بلوغ حرارتی، پی‌جویی کرد.

 

ارزیابی نتایج با استفاده از داده‌های ژئوشیمی آلی

در نتایج مطالعه، نمودار تخمین زده شده با داده‌های ژئوشیمی آلی تطابق داده شده است. هدف از این تطابق، بررسی صحت محاسبات انجام‌شده و بلوغ حرارتی تعیین‌شده در هر میدان است. در شکل 7، مقادیر MI در مقابل Tmax در چهار چاه و میدان رسم شده‌اند. با افزایش مقدار MI، مقدار دمای حداکثر نیز، که یک نشانۀ مهم برای تغییرات بلوغ حرارتی است، افزایش می‌یابد و نشان می‌دهد تغییرات این دو پارامتر هماهنگ‌اند. نمونه‌های مربوط به سازند کژدمی با ستاره نشان داده شده‌اند. این نمونه‌ها حداکثر دمای ℃ 450 درجه را نشان می‌دهند. نتایج پیرولیز راک-اول در شکل 7 و جدول 3 آمده است. در شکل 8 مقدار اندیس هیدروژن در مقابل دمای حداکثر رسم شده است (Waples 1985; Peters and Cassa 1994). این نمودار مربوط به داده‌های پنج میدان است که نوع کروژن و تغییرات بلوغ حرارتی را در آنها نشان می‌دهد. با توجه به شکل 8، انواع کروژن شامل نوع Ⅲ و Ⅱ می‌شود. همچنین مقادیر ضریب انعکاس ویترینایت در دو چاه از چاه‌های مطالعه‌شده در جدول 4 نشان داده شده است. بر‌اساس این شکل نیز، بالاترین میزان بلوغ حرارتی قابل توجه در نمونه‌های میدان شمارۀ 6 و تا حدودی در میدان‌های 1 و 2 مشاهده می‌شود که البته نظر دقیق‌تر در این باره نیازمند نتایج آزمایش‌های بیشتر است؛ اما این نتایج نشان می‌دهد احتمال یافتن نمونه‌های بالغ در کدام میدان‌ها بیشتر است و برای کاهش زمان از دست رفته و هزینه‌ها، بهتر است آزمایش‌های بعدی در آنها انجام شود.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

شکل 7- نمودار بلوغ حرارتی در مقابل دمای حداکثر (تغییرات بلوغ حرارتی نمونه‌های مربوط به سازند کژدمی در چاه‌های ‌مطالعه‌شده نشان داده شده است)

Fig 7- The plot of MI vs Tmax in four wells of 1, 3, 4, and 6 oil and gas fields. Stars are related to samples of the Kazhdumi Formation.

 

 

شکل 8- نمودار اندیس هیدروژن در مقابل دمای حداکثر در پنج میدان در بخش مرکزی خلیج‌فارس ‌(نمونه‌ها در بخش نابالغ و نوبالغ قرار می‌گیرند)

Fig 8- The plot of HI vs Tmax in the Kazhdumi Formation in five oil and gas fields in the Central area of the Persian Gulf. As illustrated, samples are immature to early mature.

 

 

 

 

 

جدول 3- نتایج آزمایش راک-اول در سازند کژدمی در پنج میدان نفتی و گازی 1، 2، 3، 6 و 7‌

Table 3- The result of Rock-Eval pyrolysis in the Kazhdumi Formation in five oil and gas fields (1, 2, 3, 6, and 7).

PI

S1 (gHC/kg) سنگ

S2 (gHC/kg) سنگ

S3 (gCO2/kg) سنگ

HI

OI

TMAX

TOC

عمق

چاه - میدان

4/0

14/0

16/0

17/.

122

130

421

13/0

1067

-3 A

5/0

13/0

13/0

5/0

108

416

425

12/0

1078

-3 A

5/0

23/0

170

93/0

81

443

387

21/0

1082

-3 A

7/0

54/0

18/0

18/1

41

41

420

43/0

1086

-3 A

43/0

07/1

24/1

93/0

174

130

422

71/0

1092

-3 A

19/0

17/1

97/12

99/1

410

63

413

19/0

1959

-3 B

45/0

24/0

29/0

98/0

120

408

345

24/0

1974

-3 B

4/0

35/0

45/0

89/0

206

525

341

3/0

2013

-3 B

42/0

25/0

35/0

8/0

175

500

342

2/0

2033

-3 B

4/0

38/0

56/0

06/1

140

265

342

4/0

2090

-3 B

46/0

11/0

12/0

44/1

60

654

410

22/0

1145

 - 2A

56/0

13/0

1/0

56/1

50

780

418

2/0

1164

 - 2A

59/0

14/0

1/0

62/1

50

810

412

2/0

1168

 - 2A

69/0

14/0

06/0

9/1

30

950

413

2/0

1180

 - 2A

48/0

13/0

14/0

92/1

46

640

417

3/0

1188

 - 2A

41/0

15/0

22/0

03/1

55

257

433

4/0

1196

 - 2A

55/0

09/0

07/0

81/0

35

405

413

2/0

1172

 - 2B

18/0

98/0

18/4

56/2

298

182

400

4/1

1440

6 - A

17/0

19/2

38/10

08/3

576

171

402

8/1

1445

6 - A

14/0

82/1

96/10

75/2

644

161

430

7/1

1480

6 - A

1/0

53/0

12/2

11/2

271

270

414

78/0

1496

6 - A

1/0

12/0

06/1

4/0

235

88

360

45/0

1510

6 - B

21/0

4/1

33/5

11/4

212

163

355

52/2

1522

6 - B

15/0

37/0

99/1

34/1

252

296

352

79/0

1545

6 - B

19/0

28/0

17/1

81/0

220

153

440

53/0

1573

6 - B

11/0

19/0

53/1

64/1

196

210

446

78/0

1590

6 - B

17/0

29/0

33/1

17/1

192

169

422

69/0

1608

6 - B

27/0

31/0

84/0

04/1

175

225

425

48/0

1620

6 - B

3/0

12/0

28/0

47/0

49

83

425

57/0

1274

1

28/0

21/0

54/0

68/1

83

261

439

64/0

1299

1

 

 

 

 

 

 

 

جدول 4- مقادیر ضریب انعکاس ویترینایت در دو چاه در میدان های 2 و 6

Table 4- Vitrinite reflectance values in two wells in 2 and 6 oil and gas fields

میدان

عمق (متر)

سازند

Ro %

کمترین

Ro%

بیشترین

Ro %

میانگین

6

5/1260

گورپی

32/0

503/0

415/0

6

1283

ایلام

337/0

524/0

428/0

6

1504

کژدمی

354/.

525/0

439/0

6

1526

کژدمی

371/0

54/0

47/0

6

1548

کژدمی

403/0

552/0

478/0

6

5/1573

کژدمی

4/0

55/0

476/0

6

1602

کژدمی

418/0

605/0

51/0

6

1611

کژدمی

405/0

593/0

506/0

6

5/1624

کژدمی

417/0

596/0

506/0

6

2052

سورمه

498/0

693/0

603/0

6

2158

سورمه

5/0

72/.

616/.

6

2166

سورمه

5/0

71/0

622/0

6

2312

سورمه

55/0

793/0

67/0

6

1524

سورمه

554/0

81/0

679/0

2

1184

 کژدمی

34/0

56/0

45/0

2

1510

 فهلیان

44/0

65/0

55/0

2

 2302

 سورمه

44/.

77/.

62/.

2

 2380

 سورمه

55/0

77/0

63/0

2

 2402

 نیریز

54/0

75/0

65/0

2

 2410

 نیریز

57/0

77/0

67/0

2

2510

 نیریز

60/0

75/0

70/0

2

2528

 دشتک

62/0

77/0

71/0

2

 2536

 دشتک

67/0

74/0

71/0

2

 2596

 دشتک

62/0

84/0

75/0

2

2698

 دشتک

65/0

83/0

75/0

2

2969

 دشتک

70/0

92/0

81/0

2

 3512

 دهرم

84/0

18/1

08/1

2

3812

 دهرم

03/1

28/1

13/1

2

3860

 دهرم

03/1

25/1

15/1

2

3862

 دهرم

02/1

35/1

16/1

2

4000

دهرم

02/1

28/1

19/1

2

 4002

دهرم

04/1

30/1

22/1

 

 

 

 

نشانگر‌های لرزه‌ای برای پیش‌بینی اندیس بلوغ

آخرین نکتۀ درخور توجه در این مقاله، اهمیت نشانگرهای لرزه‌ای و ارتباط آنها با بلوغ حرارتی است. نشانگر‌های لرزه‌ای مانند دامنه و فرکانس از خصوصیات ذاتی داده‌های لرزه‌ای‌اند که هریک ویژگی‌هایی از سنگ و یا سیالات را نشان می‌دهند (Chen and Sidney 1997; Chopra and Marfurt 2005). بر‌اساس نتایج، امپدانس صوتی، مهم‌ترین نشانگر لرزه‌ای برای پیش‌بینی و مدل‌سازی اندیس بلوغ حرارتی است. امپدانس صوتی حاصل از وارون‌سازی لرزه‌ای و نتیجۀ تلفیق داده‌های چاه‌پیمایی و لرزه‌ای است. این پارامتر حاوی اطلاعاتی دربارۀ سرعت صوت و چگالی سازند است. این دو پارامتر هر دو تحت تأثیر مقدار و نوع سیالات سازند و TOC هستند (Atarita et al. 2017; Broadhead et al. 2016). امپدانس صوتی به شکل معکوس با مواد آلی سازند در ارتباط است (Nanda 2016; Harris et al. 2019). بلوغ حرارتی محاسبه‌شده در این مقاله با تخلخل نوترون و اشباع آب به شکل معکوس در ارتباط است و هردوی این پارامترها بر امپدانس صوتی اثر می‌گذارند. شکل A 9 و B 9 نمودار امپدانس صوتی را در مقابل بلوغ حرارتی در چهار چاه نشان می‌دهد. شکل C 9، مقدار بلوغ حرارتی پیش‌بینی‌شده را بر‌اساس آنالیز رگرسیون چندنشانگری (با استفاده از پنج نشانگر) در مقابل مقدار واقعی این پارامتر نشان می‌دهد. چنان‌که مشاهده می‌شود، ضریب تطابق نشانگرها با بلوغ حرارتی، با استفاده از آنالیز رگرسیون نسبت‌به دیگر نمودارها به‌سرعت افزایش می‌یابد. میدان‌هایی که در کنار یکدیگر قرار دارند، بر‌اساس شکل، رفتار مشابهی دارند. این نشان می‌دهد که احتمالاً بهترین نتیجه برای پیش‌بینی در یک میدان به دست می‌آید.

 دیگر نشانگرهای لرزه‌ای برای پیش‌بینی بلوغ حرارتی شامل زمان، مختصات X و Y و فرکانس وزن‌دهی‌شده با دامنه‌اند. این نشانگر‌ها هریک با پدیده‌های زمین‌شناسی در سنگ مخزن و منشأ در ارتباط‌اند و محققان بسیاری آنها را تشریح کرده‌اند (Chen and Sidney 1997; Taner 1994, 2001; Copra and Marfurt 2005, 2007). فرکانس وزنی دامنۀ تشکیل‌شده از پوش دامنه و فرکانس لحظه‌ای است که تخمینی از فرکانس لحظه‌ای را با هموار‌سازی، یعنی حذف پرش‌ها و نوفه انجام می‌دهد (Taner et al. 1979; Chen and Sidney 1997; Barens 2000). پوش دامنه یا قدرت بازتاب، با امپدانس صوتی مرتبط است و برای نشان‌دادن تخلخل، هیدروکربن و تجمع گاز، مرز‌های سکانس و تغییرات لیتولوژی و محیط رسوبی کاربرد دارد (Chen and Sidney 1997; Hart 2002). فرکانس میانگین نیز برای تطابق و پیدا‌کردن مخازن گازی و نفتی مفید است (Barnes 1990; Taner et al. 1994). هاردی (Hardy et al. 2003) رابطه‌ای قوی میان فرکانس میانگین (average frequency) و حجم شیل نشان داده است. دو نشانگر نهایی، مختصات X و Y هستند و به‌عنوان نشانگر‌های نقشه از آنها استفاده شده است، همچنین در مطالعات ناحیه‌ای اهمیت دارند و نشانۀ تغییرات بلوغ حرارتی در جهت جانبی‌اند.

 

 

 

 

شکل 9- A 9 و B 9: نمودار امپدانس صوتی در مقابل بلوغ حرارتی در چهار چاه؛ C 9: مقدار بلوغ حرارتی پیش‌بینی‌شده بر‌اساس آنالیز رگرسیون چندنشانگری در چهار چاه در مقابل مقدار واقعی این پارامتر

Fig 9- A and B: Plots of acoustic impedance vs thermal maturity in four wells; C: predicted maturity base on multi-attribute regression analysis vs the actual maturity in four wells.

 

نتیجه‌

نتایج حاصل از این مطالعه شامل موارد زیر است:

نمودارهای چاه‌پیمایی هریک منعکس‌کنندۀ خصوصیات فیزیکی سنگ – سیال در سازندند. تلفیق آنها با نشانگر‌های لرزه‌ای که آنها نیز چنین ویژگی مهمی دارند، نتایج پذیرفتنی را در تعیین بلوغ حرارتی نشان داده است. در این مطالعه، نشان داده شد که نمودار‌های چاه‌پیمایی مانند نوترون، چگالی، صوتی و مقاومت و تلفیق آن با نشانگر‌های استخراج‌شده از داده‌های لرزه‌ای مانند امپدانس صوتی، فرکانس و دامنه، ابزار بسیار خوبی برای پیش‌بینی بلوغ حرارتی و بسط و گسترش آن در جهت جانبی در مطالعات میدان‌های نفت و گازند.

مزیت استفاده از داده‌های لرزه‌ای برای ارزیابی سنگ منشأ و پیوستگی این داده‌هاست. این ویژگی در داده‌های ژئوشیمیایی وجود ندارد و معمولاً پراکنده و کمیاب‌اند. داده‌های چاه نیز به‌صورت نقطه‌ای و با فاصله در میدان‌ها وجود دارند. مقاطع لرزه‌ای، تصویری پیوسته را از پارامتر مدنظر ارائه می‌کنند که در مناطق وسیع پیگیری‌شدنی است. علاوه بر این، پردازش و نتیجه‌گیری از داده‌های لرزه‌ای از‌نظر اقتصادی به‌صرفه‌تر و سریع‌تر از آزمایش‌های ژئوشیمیایی است.

تعدادی از نشانگر‌های لرزه‌ای برای تخمین بلوغ حرارتی استفاده شده‌اند. نتایج نشان داد که امپدانس صوتی مهم‌ترین این نشانگرها در ارتباط با خصوصیات سنگ منشأ است. همچنین اهمیت دیگر نشانگر‌های لرزه‌ای و ارتباط آنها با خصوصیات سنگ منشأ مشهود است.

با استفاده از روش‌های غیرمستقیم، میزان بلوغ حرارتی در بخش مرکزی خلیج‌فارس اندازه‌گیری شد و نتایج نشان داد که به‌طور کلی بلوغ حرارتی در این منطقه پایین است. به عبارت دیگر، سازند کژدمی در بیشتر چاه‌ها نابالغ و در برخی چاه‌ها در ابتدای بلوغ حرارتی تشخیص داده شده است و در موارد محدودی نیز بالغ‌اند. سطح فوق بالغ نیز در هیچ‌کدام از چاه‌ها دیده نشده است. این نتایج با داده‌های ژئوشمیایی آلی موجود در برخی از چاه‌های این منطقه و مطالعات محدودی منطبق‌اند که از آنها گزارش شده است.

هدف از این مطالعه، بررسی امکان پیش‌بینی بلوغ حرارتی با نشانگر‌های لرزه‌ای برای دست‌یابی به مقطعی از تغییرات بلوغ حرارتی در میدان‌های مطالعه‌شده است. صحت و دقت پیش‌بینی بلوغ حرارتی با استفاده از داده‌های لرزه‌ای کاملاً به تعداد و فراوانی داده‌های در دسترس وابسته است که با افزایش وسعت منطقۀ مطالعه‌شده، باید تعداد چاه‌های استفاده‌شده افزایش یابد. برای پیش‌بینی بلوغ حرارتی در یک میدان، حداقل به سه چاه در نقاط مختلف آن مورد نیاز است که با توجه به شباهت‌های رسوب‌شناسی و زمین‌شناسی بهترین نتایج در دسترس است. در مطالعات منطقه‌ای، پارامتر مدنظر در مقیاس وسیع در مقاطع لرزه‌ای قابل پی‌جویی و ارزیابی است و دقت نتایج به تعداد چاه‌ها و حجم داده‌های موجود وابسته است.

 

سپاسگزاری

با تشکر فراوان از شرکت نفت فلات قاره که داده‌های این مطالعه را در اختیار نویسندگان قرار دادند.

References

Abarghani A. Ostadhassan M. Bubach B. and Zhao P. 2019. Estimation of thermal maturity in the Bakken source rock from a combination of well logs, North Dakota, USA. Marine and Petroleum Geology 105: 32 - 44.
Abdizadeh H. Ahmadi A. Kadkhodaie A. Heidarifard M.H. and Shayeste M. 2017 Estimation of thermal maturity from well logs and seismic data in the Mansuri oilfield, SW Iran. Journal of Petroleum Science and Engineering 159: 461–473.
Alabi A. and Enikanselu P.A. 2019. Integrating seismic acoustic impedance inversion and attributes for reservoir analysis over DJ field, Niger Delta. Journal of Petroleum Exploration and Production Technology 9: 2487–2496.
Al-Husseini M. and Matthews R.K. 2008. Jurassic-Cretaceous Arabian orbital stratigraphy: The AROS-JK Chart. GeoArabia 13: 89–94.
Al-Husseini M. 2000. Origin of the Arabian Plate Structures: Amar Collision and Najd Rift. GeoArabia 5(4): 527-542.
Alavi M. 2004. Regional stratigraphy of the Zagros fold-thrust belt of Iran and its proforeland evolution. Am. J. Sci. 304: 1-20.
Alsharhan A.S. and Nairn A.E.M. 1997. Sedimentary basins and petroleum geology of the Middle East. Amsterdam: Elsevier Science.
Atarita T.C. Karlina D.A. Nuramaja S. Puspitasari, A. and Santosa, B.J. 2017. Predicting distribution of Total Organic Carbon (TOC) and S2 with ∆ log resistivity and acoustic impedance inversion on Talang Akar Formation, Cipunegara Sub Basin, West Java. Procedia Engineering 170: 390 – 397.
Baniasad A. Sachse V. Littke R. and Soleimany, B. 2019. Burial, temperature and maturation history of cretaceous source rocks in the NW Persian Gulf, offshore SW Iran: 3D basin modeling. Journal of Petroleum Geology 42(2): 125-144.
Barnes A.E. 1990. Analysis of temporal variation in average frequency and amplitude of COCOPR deep seismic reflection data: 60th annual International Meeting of Society of Exploration Geophysics, 1553-1556.
Barnes A.E. 2000. Weighted average seismic attributes. Geophysics 65: 275-285.
Bolandi V. Kadkhodaie A. Alizadeh B. Tahmorasi J. and Farzi R. 2015. Source rock characterization of the Albian Kazhdumi Formation by integrating well logs and geochemical data in the Azadegan oilfield, Abadan plain, SW Iran, Journal of Petroleum Science and Engineering. 133: 167-176.
Broadhead M.K. Cheshire S.G and Hayton S. 2016. The effect of TOC on acoustic impedance for a Middle Eastern source rock. The Leading Edge 35(3): 258.
Bordenave M.L. and Burwood R. 1995. The Albian Kazhdumi Formation of the Dezful Embayment, Iran: One of the Most Efficient Petroleum Generating Systems. Petroleum Source Rocks, Springer. 183– 207.
Bordenave M.L. and Burwood R. 1990. Source rock distribution and maturation in the Zagros Orogenic Belt: Provenance of the Asmari and Bangestan Reservoir oil accumulations. Advances in Organic Geochemistry 16: 369-387.
Chen Q. and Sidny S. 1997. Seismic attribute technology for reservoir forecasting and monitoring. Western Atlas International Inc., Houston, Texas, The Leading Edge.
Cooke D. and Cant J. 2010. Model-based Seismic Inversion: Comparing deterministic and probabilistic approaches, official publication of the Canadian Society Exploration Geophysics. 35 (4).
Chopra S. Marfurt K. 2005. Seismic attributes — A historical perspective Geophysics. Society of Exploration Geophysicists. 70 (5): 3.
Chopra S. and Marfurt K. 2007. Seismic attributes for prospect identification and reservoir characterization. SGE Geophysical Developments. 11: 456 pp.
Das V. and Mukerji T. 2020. Petrophysical properties prediction from pre-stack seismic data using convolutional neural network. Geophysics 85 (5).
Edgell H.S. 1996. Salt tectonism in the Persian Gulf. In: Alsop, G.I., Blundell, D.J., Davison, I. (Eds.), Salt Tectonics. Geological Society of London Special Publication, No. 100. The Geological Society Publishing House, Bath, 129–151.
Ewing T.E. 2001. Synthetic seismograms: Preparation, calibration, and associated issues. – Articles from Geophysical Corner (GC) in AAPG Explorer, 2017–2043.
Farfour M. Yoon W.J. and Kim J. 2015. Seismic attributes and acoustic impedance inversion in interpretation of complex hydrocarbon reservoir. Journal of Applied Geophysics. 114: 68 – 80.
Fawad M. Hansen J.A. and Mondol N.H. 2020. Seismic-fluid detection - a review. Earth Science Reviews. 210:103347.
Fertl W.H. and Chilingar G.V. 1988. Total organic carbon content determined from well logs: Society of Petroleum Emceeing and Formation Evolution. 3:407–419.
Ghasemi-Nejad E. Head M. J. Naderi M. 2009. Palynology and petroleum potential of the Kazhdumi Formation (Cretaceous: Albian–Cenomanian) in the South Pars field, northern Persian Gulf. Journal of Marin and Petroleum Geology 26: 805-816.
Ghazban F. 2009. Petroleum geology of the Persian Gulf. Tehran University Press, Tehran, 707 p.
Hampson D.P. Schuelke J.S. and Quirein J.A. 2001. Use of multi-attribute transforms to predict log properties from seismic data. Geophysics. 66 (1): 220–236.
Hardy H.H. Beier, R.A. Gaston J.D. 2003. Frequency estimates of seismic traces. Geophysics, 68 (1): 370-380.
Harris N.B. Moghadam A. and Dong T. 2019. The effects of organic carbon content and thermal maturity on acoustic parameters in a black shale: Woodford Shale, Permian Basin, West Texas. Geophysics 84.
Hart B.S. 2002. Validating seismic attribute studies: Beyond statistics. Leading Edge. 21: 1016-1021.
Oyeyemi K.D. Olowokere, M.T. and Aizebeokhai A.P. 2017. Evaluation of optimal reservoir prospectivity using acoustic-impedance model inversion: A case study of an offshore field, western Niger Delta, Nigeria. Journal of Astronomy and Geophysics. 6: 300-310.
King E.E. Fertl W.H. 1979. Evaluating shale reservoir logs. Oil & Gas Journal. 26: 166–168.
Konert G. Afifi A.M. Al-Hajiri S. and Droste H. 2001. Paleozoic stratigraphy and hydrocarbon habitat of the Arabian Plate. Geoarabia. 6: 407- 442.
Kumar A. Haris M. Khir M. and Ismail W. Yusoff W. 2016. A model-based approach for integration analysis of well log and seismic data for reservoir characterization, Geosciences Journal. 20: 331–350.
Leiphart D.J. and Hart B.S. 2001. Comparison of linear regression and a probabilistic neural network to predict porosity from 3-D seismic attributes in Lower Brushy Canyon channeled sandstones, southeast New Mexico. GEOPHYSICS, 66 (5): 1349–1358.
Lindseth R.O. 1972. Approximation of acoustic logs from seismic traces: J. Canadian Well Logging Society. 5: 13-26.
Meyer B.L. Nederlof M.H. 1984. Identification of source rocks on wireline logs by density/resistivity and sonic transit time/ resistivity cross plots. AAPG Bull. 68: 121–129.
Murris, R.J. 1980. Middle east stratigraphic evolution and oil habitat. American Association of Petrolum Geologists. 64: 597-618.
Nanda N.C. 2016. Seismic Data Interpretation and Evaluation for Hydrocarbon Exploration and Production. Springer.
Noori B. Kohansal Ghadimvand N. Movahed B. and Yousefpour M. 2016. Sedimentology and Depositional Environment of the Kazhdumi Formation Sandstones in the Northwestern Area of the Persian Gulf. Open Journal of Geology. 6: 1401-1422.
Passey Q.R. Creaney S. Kulla J.B. Moretti F.J. Stroud J.D. 1990. A practical model for organic richness from porosity and resistivity logs. AAPG Bull. 74: 1777–1794.
Peters K.E. and Cassa M.R. 1994. Applied source rock geochemistry. In: Magoon, L.B., Dow, W.G. (Eds.), The Petroleum System—From Source to Trap. American Association of Petroleum Geologists. 60: 93–117.
Rabbani A.R. 2008. Geochemistry of crude oil samples from the Iranian sector of the Persian Gulf. Journal of Petroleum Geology, 31(3): 303-316.
Rabbani A.R. Kotarba M.J. Baniasad A.R. Hosseiny E. and Wieclaw D. 2014. Geochemical charactristics and genetic types of crude oils from the Iranian sector of the Persian Gulf. Organic Geochemistry, 70: 29 – 43.
Rezaie Kavanrudi Z. Rabbani A.R. and Mashhadi Z. 2015. Source Rock Evaluation of the Cretaceous Kazhdumi Formation in the Persian Gulf. Energy Sources. 37: 2293–2301.
Russell B.H. 1988. Introduction to Seismic Inversion Methods, Society of Exploration Geophysicists. No. 2, Hampson-Russell software Services.
Russell B. Hampson D. Schuelke J. and Quirein J. 1997. Multiattribute seismic analysis: The Leading Edge. 16: 1439–1443.
Russell B.H. Lines L.R. and Hampson D.P. 2003. Application of the radial basis function neural network to the prediction of log properties from seismic attributes. Exploration Geophysics. 34 (1 & 2): 15–23.
Russel B.H. 2004. The Application of Multivariate Statistics and Neural Networks to the Prediction of Reservoir Parameters Using Seismic Attributes. Ph.D. Dissertation. University of Calgary, Alberta, p. 392.
Soleimani B. Monjezi K. Maleki S. 2014. Microfacies, Diagenetic and Depositional Environment of Kazhdumi Formation (Aptian-Albian), Dezful Embayment, Zagros, NW Iran. J. Geol. Geos. 3: 154.
Shankar U. Ojha M. Ghosh R. 2021. Assessment of gas hydrate reservoir from inverted seismic impedance and porosity in the northern Hikurangi margin, New Zealand, Marine and Petroleum Geology, 123: 104751.
Sharland P. Archer R. Casey D.M.and Simmons M. 2001. Arabian plate sequence stratigraphy. Geoarabia. P 371.  
Specht D.F. 1990. Probabilistic neural networks. Neural Networks, 3(1):109-118.
Taner M.T. Koehler F. and Sheriff R.E. 1979. Complex seismic trace analysis. Geophysics, 44: 1041 – 1063.
Taner M.T. Schuelke J.S. O’Dohrty R. and Baysal E. 1994. Seismic attributes revisited: 64th Annual International Meeting, SEG, Expended Abstracts, 1104 – 1106.
Taner M.T. 2001. Seismic attributes. Canadian Society of Exploration Geophysics. 26 (07).
Tavakoli V. 2014. Core analysis of the X well in central Persian Gulf Basin: National Iranian Oil Company, Report 12-2014, 210 p., Unpublished.
Waples D.W. 1985. Geochemistry in petroleum exploration. International Human Resources Development Corporation, Boston, 215 pp.
Zhao H. Givens N.B. Curtis, B. 2007. Thermal maturity of the Barnett Shale determined from well-log analysis. AAPG. Bull. 9l (4): 535–549.
Ziegler M.A. 2001. Late Permian to Holocene Paleofacies evolution of the Arabian plate and its hydrocarbon occurrences. Geoarabia. 6: 445 – 504.
 
Journal of Stratigraphy and Sedimentology Researches
Volume 39, Issue 2 - Serial Number 91
Journal of Stratigraphy and Sedimentology Researches , Vol. 39, Issue 2, No. 91, summer 2023
July 2023
Pages 1-22

Files

Share

How to cite

Statistics