Petrophysical Zonation through Integration of Well-Logging and Core Data in Carbonate Reservoirs: A Case Study from the Dalan and Kangan Formations, Central Persian Gulf

Articles in Press

Document Type : Research Paper

Authors

1 Professor, School of Geology, College of Science, University of Tehran, Tehran, Iran

2 MSc Student, School of Geology, College of Science, University of Tehran, Tehran, Iran

10.22108/jssr.2025.145401.1314

Abstract

.
Abstract
The Permian–Triassic carbonates of the Kangan–Dalan formations in the central Persian Gulf represent one of the largest gas reservoirs in Iran and worldwide. Integrated petrophysical–core zonation, supported by multivariate cluster analysis, was applied to reduce reservoir heterogeneity and improve the understanding of reservoir properties. The results were compared with petrophysical logs, scanning electron microscopy, and pore-throat size distribution. Diagenetic processes were found to play a key role in reservoir quality. Fabric-destructive dolomitization in the upper K2 and lower K4 units generated micro-scale pathways connecting primary pores. Dissolution in the lower K2 and upper K4 units further enhanced pore connectivity, resulting in high permeability within these zones. In contrast, selective dolomitization and dissolution in K1 and K3 did not produce effective flow pathways. These processes led to the development of distinct reservoir zones, including high-porosity/low-permeability (Zone 2), high-permeability/low-porosity (Zone 3), and non-reservoir zones (Zones 4 and 5). Additionally, a thin interval with both high porosity and permeability (Zone 1) occurs as a transitional layer within the lower K4. Although diagenesis is the dominant control, primary depositional facies also influenced reservoir characteristics. All zones were successfully identified by the proposed algorithm.
Keywords: Diagenesis, Petrophysical Zonation, Clustering, Permian–Triassic, Dolomitization
 
 
Introduction
Reservoir quality is one of the most critical parameters influencing the performance of hydrocarbon reservoirs, with pore-throat size distribution acting as a key controlling factor. This distribution is governed by both primary depositional attributes and secondary diagenetic processes (Tucker and Bathurst 1990; Cerepi et al. 2003; Baron et al. 2008). Diagenesis plays an especially significant role in carbonate reservoirs, where processes such as dolomitization, cementation, and dissolution can substantially alter porosity and permeability (Anselmetti and Eberli 1999). Studies have shown that reservoir zones with similar petrophysical behavior often reflect comparable diagenetic histories (Ehrenberg 2006).
In many cases, core data are limited, highlighting the need for well-log analysis as an alternative tool. Several log responses are sensitive to diagenetic alterations, making them useful for reservoir characterization when integrated with petrographic observations. Among these, sonic logs and derived velocity-deviation curves have proven effective in distinguishing pore types and depositional–diagenetic trends, thereby enhancing geological and petrophysical interpretations. Multivariate cluster analysis is among the most powerful approaches for reservoir zonation. While it has been widely applied for electrofacies classification in both clastic and carbonate settings (Gill et al. 1993; Ye and Rabiller 2000), its large-scale application for defining reservoir zones remains limited. Combining well-log responses with petrographic and petrophysical parameters provides a more robust basis for identifying reservoir units.
This study evaluates the application of multivariate cluster analysis for integrated petrophysical zonation in the Kangan and Dalan formations of the central Persian Gulf. The proposed workflow aims to establish a practical framework for accurate reservoir characterization by linking log responses, diagenetic features, and pore system evolution.
 
Materials and Methods
A key well with 420 m of continuous core from the Kangan and Dalan formations in the central Persian Gulf was selected. Core plugs were taken every 30 cm, cut at both ends, and had thin sections prepared. One-third of each section was stained with Alizarin Red-S (Dickson 1966) to distinguish calcite from dolomite. Thin sections were studied under a polarizing microscope to record depositional facies and diagenetic features. Twenty representative samples were selected for scanning electron microscopy (SEM) and pore-throat size distribution was determined by mercury injection up to 60,000 psi.
Core plugs were cleaned, dried, and analyzed for porosity (Boyle’s law) and permeability (Darcy’s law). Petrophysical data from neutron porosity, bulk density, photoelectric factor, and sonic logs were integrated with petrographic porosity estimates to assess the effects of dolomitization and dissolution. For data analysis, customized programming in MATLAB was applied instead of conventional software, providing flexibility in clustering, optimization, and algorithm testing. Hierarchical clustering was employed due to its ability to handle diverse datasets and dynamically determine the number of clusters (Xu and Tian 2015). To further constrain diagenetic effects, velocity-deviation logs were calculated by comparing measured and predicted compressional velocities. Positive deviations indicate cementation or compaction, while negative values reflect enhanced porosity from dissolution or fracturing.
This integrated workflow allowed for precise petrophysical zonation by linking log responses, petrographic features, and diagenetic alterations.
 
Discussion of Results & Conclusions
The integrated zonation results reveal that intervals with similar porosity and permeability values can be effectively distinguished, reflecting the diverse impact of pore types on flow properties. Each identified zone shows a characteristic porosity–permeability distribution controlled by diagenetic processes. Zone 1 exhibits both high porosity and permeability, largely associated with touching-vug porosity (Lucia 1995) where dissolution, fracturing, and fabric-destructive dolomitization enhanced pore connectivity. This thin interval acts as a transitional layer between the upper dissolution-dominated K4 and the lower dolomitized K4. Zone 2 displays slightly lower porosity but still retains effective reservoir quality, corresponding mainly to the lower K2 and upper K4 where dissolution was the dominant diagenetic process. Zone 3 includes the largest number of samples, with moderate porosity but significantly enhanced permeability due to well-connected pore systems created by fabric-destructive dolomitization. In contrast, Zone 4, representing parts of K1 and K3, shows reduced reservoir quality as porosity is partly occluded by anhydrite cement, leading to low permeability despite moderate porosity values. Zone 5 is non-reservoir, characterized by very low porosity and permeability due to pervasive anhydrite cementation and loss of primary pores.
Velocity-deviation analysis confirms these patterns. Negative deviations in Zones 1 and 3 indicate dissolution-related microporosity and microfractures, producing higher-than-expected permeability. Zone 2 shows values close to zero with a slight negative trend, reflecting micropores with limited connectivity. In contrast, positive deviations in Zone 4 clearly point to cementation and compaction, while Zone 5 shows weakly negative trends but insufficient pore connectivity to sustain flow. Thus, negative deviations are reliable indicators of dissolution-enhanced reservoirs, whereas positive values reflect cementation-dominated intervals.
Mercury injection capillary pressure (MICP) analysis further supports these findings. Dolomitized samples with preserved primary porosity show relatively uniform pore-throat distributions and moderate permeability, while fabric-destructive dolomitization and dissolution create wider throat-size spectra and higher permeability (Zones 1–3). In contrast, limestone samples with moldic pores sealed by anhydrite exhibit poor pore connectivity and reduced flow potential (Zones 4–5). SEM observations confirm these relationships, showing dissolution-enhanced pore networks in productive zones versus anhydrite-filled throats in non-reservoir intervals.
Overall, the Permian–Triassic carbonates of the Kangan and Dalan formations exhibit a complex diagenetic history that strongly influences reservoir quality. Five reservoir zones were defined by hierarchical clustering of well-log data (NPHI, RHOB, Sonic, PEF) calibrated against petrographic and petrophysical observations. Among them, Zones 1–3 represent the productive units, with Zone 3 being the most significant due to widespread fabric-destructive dolomitization and pore connectivity. Zones 4 and 5, affected by anhydrite cementation, represent poor-quality or non-reservoir intervals. This integrated approach demonstrates that multivariate clustering, when combined with petrography, SEM, and MICP data, provides a robust framework for characterizing carbonate heterogeneity. The methodology is flexible, does not require prior training datasets, and can be applied to other fields. Importantly, zones with similar diagenetic histories and pore characteristics are shown to share comparable flow properties, offering a reliable basis for linking porosity, permeability, and reservoir performance.

Keywords

Main Subjects

Full Text

مقدمه

کیفیت مخزنی یکی از مهم‌ترین ویژگی‌های تأثیرگذار بر عملکرد مخازن هیدروکربنی است و توزیع اندازۀ گلوگاه منافذ،‎‍ یکی از عوامل کنترل‌کنندۀ اصلی، نقش کلیدی در آن دارد. این توزیع تحت ‌تأثیر دو دسته عوامل اصلی ویژگی‌های اولیه و فرایندهای ثانویه (دیاژنز) قرار دارد (Tucker and Bathurst 1990; Cerepi et al. 2003; Stentoft et al. 2003; Baron et al. 2008) . فرایندهای دیاژنزی خواص مخزن را به روش‌های مختلفی‎‍‎‍ تغییر می‎‍دهند؛ به‎‍ویژه در مخازن کربناته، که حساسیت بالایی به تغییرات دیاژنزی دارند، اهمیت این فرایندها دوچندان است. پژوهش‌های متعدد نشان داده‌اند که زون‌های مخزنی با ویژگی‌ها و رفتارهای پتروفیزیکی مشابه، معمولاً نتیجۀ تأثیر فرایندهای دیاژنزی مشابه‎‍اند (Elias et al. 2004; Ehrenberg 2006; Abid and Hesse 2007; Campos Alvarez and Roser 2007)؛ از این رو، روش‌هایی که تأثیر دیاژنز را در کنار رفتار پتروفیزیکی سنگ، در ارزیابی و توصیف مخزن لحاظ کنند،‎‍ فرآیند زون‌بندی مخازن را به‎‍طور چشمگیری بهبود می‎‍دهند.

در بسیاری از موارد، داده‌های مغزه از بیشتر چاه‌ها در دسترس نیست و این مسئله، محدودیت استفاده از داده‌های چاه‌پیمایی را به‌عنوان ابزار‎‍ مفید و جایگزین، برجسته می‌کند. در میان پاسخ‌های ثبت‌شده‎‍ی نگارهای چاه‌پیمایی، بسیاری از آ‌نها تحت‌ تأثیر آثار دیاژنزی قرار دارند؛ برای مثال، سرعت موج صوتی در سنگ‌های کربناته، تحت ‌تأثیر سنگ‌شناسی و فرایندهای دیاژنزی مانند سیمانی‌شدن و انحلال است (Anselmetti and Eberli 1999).این همبستگی میان داده‌های سرعت صوت، سنگ‌شناسی، کانی‌شناسی و فرایندهای دیاژنزی، امکان برقراری ارتباط را میان شاخص‌های رسوبی و دیاژنزی و تغییرات سرعت صوت، فراهم می‌کند. اگر دیگر نگارهای چاه‌پیمایی نیز به‌صورت مشابه تحلیل شوند، ترکیب این داده‌ها با الگوریتم‌های مناسب، زون‌بندی مخازن را با دقت بیشتری امکان‌پذیر می‎‍کند. در این میان، استفاده از نگار انحراف سرعت[1]، ابزار‎‍ کارآمدی برای تشخیص نوع فضاهای منفذی و روندهای مرتبط با فرآیندهای رسوبی–دیاژنزی به شمار می‌رود و دقت تفسیرهای پتروفیزیکی و زمین‌شناسی را افزایش می‎‍دهد.

روش تحلیل خوشه‌بندی چند‌متغیره، یکی از دقیق‌ترین و مؤثرترین ابزارها برای زون‌بندی مخازن هیدروکربنی به شمار می‌رود. این روش که قابلیت کاربرد در سنگ‌های آواری و کربناته را دارد، عمدتاً برای تعیین رخساره‌های الکتریکی، به کار گرفته شده است (Gill et al. 1993; Ye and Rabiller 2000; Hussain et al. 2025; Meng et al. 2025). با این حال، به کاربرد آن در مقیاس بزرگ‌تر برای تعیین زون‌های مخزنی، کمتر‎‍ توجه شده است. ترکیب مناسب نگارهای چاه‌پیمایی با الگوریتم‌های پیشرفته و داده‌های مغزه، اطمینان، دقت و اثربخشی این روش را افزایش می‎‍دهد. اولین مطالعات در زمینۀ زون‌بندی پتروفیزیکی با استفاده از روش‌های خوشه‌بندی، به دهۀ ۱۹۸۰ میلادی بازمی‌گردد؛ از‎‍جمله‌ این مطالعات‎‍ به تحقیق (Descalzi et al. (1988 اشاره می‌شود. آنها در تحقیقی، روشی را برای بهبود توصیف مخزن با استفاده از تحلیل خوشه‌ای داده‌های لاگ و مغزه ارائه دادند. نتایج نشان داد که ادغام داده‌های کیفی (سنگ‌شناسی) و کمی (پتروفیزیکی) از‎‍طریق یک الگوریتم برنامه‌ریزی خطی، دقت تفسیر کمی لاگ‌ها را افزایش می‌دهد. این روش، قابلیت تطبیق با انواع داده‌های لاگ و شرایط محلی را دارد و با ایجاد یک پایگاه دادۀ یکپارچه، امکان توصیف دقیق‌تر ساختار داخلی مخزن را فراهم می‌کند. این رویکرد به‎‍ویژه در مخازن با سنگ‌شناسی پیچیده، نتایج مطمئن‎‍تری را ارائه می‌دهد. Dumay and Fournier (1988) در مطالعۀ خود، روش‎‍ دو‎‍مرحله‌ای را برای شناسایی خودکار رخساره‌های لرزه‌ای توسعه دادند: در مرحلۀ اول، از تحلیل‌های چندمتغیره شامل تکنیک‌های خوشه‌بندی و تحلیل عاملی برای انتخاب پارامترهای متمایزکننده استفاده شد و در مرحلۀ دوم، این پارامترها برای طبقه‌بندی ردیف‌های لرزه‌ای ناشناخته به کار گرفته شدند. یافته‌های پژوهش نیز نشان داد که این روش، از دقت و سرعت بالایی برخوردار‎‍ و قادر به استخراج مؤثر اطلاعات زمین‌شناسی از داده‌های لرزه‌ای است. در سال‌های اخیر، مطالعات زیادی در رابطه با طبقه‌‌بندی گروه‌های سنگی مخازن و تعیین رخسارۀ الکتریکی انجام شده است؛ به‎‍طور مثال، در مطالعۀ ( Ali et al. (2023، از روش‌های یادگیری ماشین بدون نظارت مانند نقشه‌های خودسازمان‌ده[2] و تحلیل خوشه‌ای، برای شناسایی رخساره‌های سنگ‌شناسی در میدان گازی کادانواری استفاده شد. این روش‌ها ترکیب سنگ‌شناسی (عمدتاً ماسه‌سنگ، شیل و کربنات) را شناسایی و چهار گروه مخزن را با ویژگی‌های پتروفیزیکی متمایز، طبقه‌بندی کردند. نتایج مطالعه نشان داد که مخازن ماسه‌ای، مخازن عالی و مخازن شیلی، مخازن ضعیف درجه‌بندی شدند. این روش‎‍ با استفاده از تکنیک‌های یادگیری ماشین بدون نظارت مانند SOM و تحلیل خوشه‌ای، راه‌حل کم‌هزینه و سیستماتیکی را برای شناسایی رخساره‌ها ارائه داد و امکان گسترش آن به چاه‌های فاقد مغزه را فراهم کرد. مطالعات مشابه دیگری نیز، برای طبقه‌بندی رخساره‌های سنگی و الکتریکی انجام شده است (El Sharawy and Gaafar 2016; Wang et al. 2019; Abdideh and Ameri 2020; Abbas et al. 2024). این مطالعات را در داخل کشور، (Kiani et al. (2021 در بخش بالایی سازند سروک و در یکی از میدان‌های نفتی دشت آبادان، با استفاده از داده‌های پتروگرافی و پتروفیزیکی انجام داد. رخساره‌های رسوبی و فرآیندهای دیاژنزی مانند انحلال و شکستگی، عوامل اصلی بهبود کیفیت مخزن شناسایی شدند؛ در حالی که تراکم و دولومیتی‌شدن، کیفیت مخزن را کاهش دادند. با استفاده از روش‌هایی مانند شاخص وزن جریانی[3] و ابزار اصلاح‌شده بر مبنای چینه‌شناسی[4]، هفت واحد جریانی، شناسایی شدند. همچنین‎‍ از تحلیل خوشه‌بندی سلسله‌مراتبی برای تعیین رخساره‌های الکتریکی[5] استفاده شد و به تقسیم‌بندی مخزن و تفسیر کیفیت آن کمک کرد. این روش‌ها نشان دادند که رخساره‌های دانه‌پشتیبان و فرآیندهای دیاژنزی افزایش‌دهنده، مناطق مخزنی مطلوبی را تشکیل می‌دهند. در مطالعۀ Bagheri and Rahimi Bahar (2015) ، از روش خوشه‌سازی [6]MRGC برای زون‌بندی مخزنی سازند فهلان در یکی از میدان‎‍های‎‍ جنوب غرب ایران استفاده شد. در بخش اول، خصوصیات مخزنی مانند تخلخل مؤثر[7] و اشباع آب مؤثر[8] محاسبه و مناطق تولیدی[9] با استفاده از حد برش‌های مشخص، تعیین شدند و در بخش دوم، رخساره‌های مخزنی و غیر مخزنی با روش خوشه‌سازی MRGC شناسایی و میانگین پارامترهای پتروفیزیکی در این رخساره‌ها، مقایسه شدند. نتایج نشان داد که تطابق بالایی بین رخساره‌های مخزنی و مناطق تولیدی وجود دارد و این روش، قسمت‌های اصلی مخزنی را با دقت بالا مشخص می‎‍کند. این مطالعه نشان داد که روش خوشه‌سازی MRGC، ابزاری مؤثری در زون‌بندی مخزن و شناسایی مناطق تولیدی است. مطالعات مشابهی را (Salehi et al. (2015); Alipour Shahsavari et al. (2017); Mousavi et al. (2023 برای زون‌بندی مخازن هیدروکروبوری، به کمک روش‌های خوشه‌بندی انجام داده‎‍اند. این مطالعات نشان می‌دهند که روش‌های خوشه‌بندی، ابزارهای قدرتمندی در تحلیل و تفسیر داده‌های مخزن، به‎‍ویژه در مخازن با سنگ‌شناسی پیچیده‎‍اند و کاربرد گسترده‌ای دارند.

یکی از چالش‌های اصلی در زون‌بندی مخازن کربناته، پیچیدگی ارتباط میان دیاژنز و ویژگی‌های پتروفیزیکی سنگ است. اگرچه تحلیل خوشه‌بندی چند‌متغیره برای تعیین رخساره‌های الکتریکی به‎‍طور گسترده به کار گرفته شده است،به ‎‍ استفاده از آن در مقیاس بزرگ‌تر برای تعیین زون‌های مخزنی، که نیازمند ترکیب دقیق پاسخ‌های نگارهای چاه‌پیمایی با ویژگی‌های پتروگرافی و رفتار پتروفیزیکی سنگ است، کمتر توجه شده است. در این مقاله، کاربرد روش تحلیل خوشه‌بندی برای زون‌بندی پتروفیزیکی‎‍ بررسی شده است. این رویکرد بر مبنای داده‌های چاه‌پیمایی و مطالعات پتروگرافی طراحی می‎‍شود و هدف اصلی آن، ارائۀ یک روش کارآمد برای توصیف و زون‌بندی دقیق‌تر مخازن هیدروکربنی است. مطالعۀ موردی بر‎‍ سازندهای کنگان و دالان انجام و از یک طرح زون‌بندی نوآورانه برای ارزیابی این روش بهره گرفته شده است. این زون‌ها، که‎‍ تاریخچۀ رخساره‌ای، دیاژنزی و ویژگی‌های تخلخل مشابهی دارند، به‎‍طور بالقوه‎‍ در تعیین واحدهای جریانی مخزن نقش کلیدی دارند.

مواد و روش‌ها

یک چاه کلیدی با 420 متر مغزۀ پیوسته از سازندهای کنگان و دالان در بخش مرکزی خلیج‌فارس، برای این مطالعه انتخاب شد. از مغزه‌ها، هر 30 سانتی‌متر یک پلاگ تهیه شد. همۀ پلاگ‌ها از هر دو طرف برش داده شدند و یکی از برش‌های هر پلاگ، برای تهیۀ مقاطع نازک به کار رفت. یک‌سوم از هر مقطع نازک با آلیزارین رد-اس رنگ‌آمیزی شد (Dickson 1966) تا کلسیت از دولومیت تفکیک شود. همۀ مقاطع نازک با میکروسکوپ پلاریزان مطالعه شدند و ویژگی‌های اولیه (رخساره) و ثانویه (دیاژنز) ثبت شد. تعداد 20 نمونه بر‎‍اساس تغییرات رخساره‌ای، دیاژنزی و داده‌های تخلخل-تراوایی برای آنالیز و عکس‎‍برداری میکروسکوپ الکترونی انتخاب شدند.

پلاگ‌های گرفته‎‍شده، تمیز و خشک‎‍ و سپس برای اندازه‌گیری تخلخل و تراوایی در شرایط محیطی استفاده شدند. مقادیر تخلخل با استفاده از قانون بویل به ‌دست آمد. قانون دارسی برای اندازه‌گیری مقادیر تراوایی در جریان پایدار خطی، به کار گرفته شد. توزیع اندازۀ گلوگاه منفذی بر‎‍ نمونه‌های انتخابی، مشابه نمونه‌های میکروسکوپ الکترونی با تزریق جیوه تا فشار 60,000 psi تعیین شد.

در این مطالعه، به‌جای استفاده از نرم‌افزارهای پتروفیزیکی مرسوم، که بیشتر الگوریتم‌های محدودی را برای تحلیل و زون‌بندی ارائه می‌دهند، از برنامه‌نویسی در محیط متلب[10] استفاده شده است. این انتخاب به‎‍دلیل انعطاف‌پذیری بالا و دسترسی به طیف گسترده‌ای از الگوریتم‌های تحلیل داده و خوشه‌بندی، انجام شده است. با استفاده از متلب، امکان بهینه‌سازی روش‌های زون‌بندی، آزمایش الگوریتم‌های پیشرفته و سفارشی‌سازی فرایندها بر‎‍اساس نیازهای خاص این مطالعه فراهم شده است. این رویکرد علاوه بر افزایش دقت و قابلیت اطمینان نتایج، فرصتی را برای توسعۀ روش‌های جدید و کاربردی در زون‌بندی مخازن هیدروکربنی، ایجاد می‌کند. این ویژگی، به‌ویژه در تحلیل داده‌های چاه‌پیمایی و ترکیب آنها با داده‌های پتروگرافی و دیاژنزی، مزیت‎‍ کلیدی در مقایسه با روش‌های متداول محسوب می‌شود. الگوریتم به کار رفته برای خوشه‌بندی داده‌ها، خوشه‌بندی سلسله‎‍مراتبی[11] بوده است. فرایند استاندارد خوشه‌سازی شامل چهار مرحلۀ استخراج و انتخاب ویژگی‌ها، طراحی الگوریتم خوشه‌بندی، ارزیابی نتایج و تفسیر نتایج می‌شود (Xu and Tian 2015). از مزایای این روش، به قابلیت اجرا بر‎‍ انواع داده‌ها، مدیریت آسان داده‌های مشابه، سادگی مفهومی و امکان انتخاب پویای تعداد خوشه‌ها از سوی کاربر اشاره می‎‍شود (Kaushik and Mathur 2014; Gupta et al. 2021). این ویژگی‌ها باعث می‌شود خوشه‌بندی سلسله‌مراتبی، یک روش انعطاف‌پذیر و کاربردی در تحلیل داده‌های پیچیده به کار رود. داده‌های ‎‍استفاده‎‍شده شامل نگارهای تخلخل نوترون[12]، چگالی کل[13]، شاخص فتوالکتریک[14] و صوتی[15] می‎‍شود. علاوه بر این موارد، از داده‌های مربوط به تخلخل مقطع نازک و درصد سنگ‌شناسی‌ها نیز استفاده شد تا تأثیر هم‎‍زمان انحلال و دولومیتی‌شدن در تعیین نهایی زون‌ها تأثیرگذار باشد. نگارها نیز بر همین اساس، انتخاب شدند. نگار شاخص فتوالکتریک نشان‌دهندۀ تأثیر سنگ‌شناسی بدون توجه به تخلخل است؛ در حالی که نگار چگالی کل، تحت تأثیر هم‎‍زمان مقدار تخلخل و فرآیند دولومیتی‌شدن و تشکیل سیمان‌های انیدریتی است. نگار صوتی تنها تخلخل‌های اولیه را نشان می‌دهد و در‎‍‎‍نتیجه ترکیب این چهار نگار همراه با تخلخل کل و تخلخل‎‍ مشاهده‎‍شدنی از مقاطع نازک،‎‍ زون‌بندی دیاژنزی، یعنی تأثیر هم‎‍زمان انحلال و دولومیتی‌شدن را نشان می‎‍دهد. این دو فرآیند، اصلی‌ترین محصولات دیاژنزی در این سازندها هستند.

به‌منظور شناسایی روندهای مرتبط با ویژگی‌های منفذی و فرآیندهای کنترل‌کنندۀ کیفیت مخزن، «نگار انحراف سرعت» محاسبه شد. این نگار اختلاف بین سرعت موج فشاری اندازه‌گیری‌شده[16] در چاه‌پیمایی و سرعت موج فشاری پیش‌بینی‌شده بر‎‍اساس روابط پتروفیزیکی است. ابتدا داده‌های لاگ صوتی (بر‎‍حسب میکروثانیه بر فوت) به سرعت موج فشاری واقعی (بر‎‍حسب فوت بر ثانیه) تبدیل شدند؛سپس با استفاده از قانون زمان‌ متوسط ویلی[17] و فرض چگالی ماتریس آهکی-دولومیتی (68/2 g/cm³) و چگالی سیال آب شور (1/1 g/cm³)، میزان تخلخل صوتی محاسبه شد. بر این اساس، سرعت موج فشاری پیش‌بینی‌شده[18] با در نظر گرفتن ترکیب ماتریس و سیال محاسبه شد. در‎‍نهایت، با کم‌کردن سرعت پیش‌بینی‌شده از سرعت اندازه‌گیری‌شده، مقدار نگار انحراف سرعت در هر عمق، به ‌دست آمد. مقادیر مثبت نگار انحراف سرعت، بیانگر سرعت بالاتر از مقدار پیش‌بینی‌شده (که‎‍ ناشی از سیمانی‌شدن یا فشردگی بیشتر است) و مقادیر منفی آن بیانگر سرعت کمتر (که بیشتر با افزایش تخلخل ناشی از انحلال یا شکستگی مرتبط است) هستند. این نگار، ابزاری برای تفکیک روندهای مرتبط با ویژگی‌های منفذی و دیاژنتیکی در کنار دیگر داده‌های پتروفیزیکی و پتروگرافی به کار رفت. نمودار جریانی[19] این مطالعه در شکل 1 مشاهده می‌شود.

شکل 1- نمودار جریانی فرآیندهای انجام‎‍شده در این مطالعه و روابط بین آنان‎‍

Fig 1- Flowchart of the processes carried out in this study and their interrelationships‎‍

 زمین‌شناسی منطقه

در دورۀ پرمین تا تریاس، منطقۀ مرکزی خلیج‌فارس بخشی از حاشیۀ آرام[20] جنوبی قارۀ اوراسیا و در امتداد حاشیۀ شمالی صفحۀ عربی بوده است. در این دوره، حوضۀ رسوبی زاگرس تحت تأثیر یک رژیم کششی قرار داشت که‎‍ به تشکیل سکانس‌های ضخیم کربناته-تبخیری در بستر یک سکوی وسیع و کم‌شیب دریایی منجر شد (Berberian and King 1981)‎‍ (شکل 1). در زمان پرمین پسین و به‌ویژه در مرز پرمین-تریاس، در این منطقه رسوبات کربناته و انیدریتی گسترش یافته است که شرایط تبخیری حاکم بر حوضه، نشان‌دهندۀ محیطی نسبتاً بسته و گرم است. این محیط‌ها نتیجۀ پایداری زمین‌ساختی نسبی در آن زمان است. پیش از پرمین، حوضۀ دهرم در نتیجۀ فرونشست پیوسته در امتداد حاشیۀ شمالی گندوانا شکل گرفت. در ادامه و در زمان پرمین پسین، فازهای ضعیفی از فعالیت‌های زمین‌ساختی با ایجاد تغییرات ریخت‌شناسی اندک، بر الگوی رسوب‌گذاری تأثیر گذاشتند؛ اما تحول عمدۀ زمین‌ساختی این حوضه پس از کرتاسه و به‌ویژه در سنوزوئیک و در پی برخورد صفحۀ عربی با اوراسیا رخ داد (Stampfli and Borel 2002).

از‎‍نظر چینه‌شناسی، سازندهای دالان و کنگان متعلق به گروه دهرم‎‍اند که در دورۀ پرمین پسین تا تریاس پیشین نهشته شده‌اند (شکل 2). سازند دالان عمدتاً شامل دولومیت، آهک‎‍ و مقادیر متغیری از انیدریت است و در بخش فوقانی خود، به‌صورت هم‌شیب به سازند کنگان می‌رسد. سازند کنگان نیز بیشتر از سنگ‌های کربناته تشکیل می‎‍شود و در برخی بخش‌ها دارای بین‌لایه‌های نازک انیدریتی است. این دو سازند با ویژگی‌های پتروفیزیکی، سنگ‌شناسی و تغییرات رخساره‌ای درخور توجه، اهمیت بالایی در مطالعات مخزنی دارند و مخازن اصلی گازی را در خلیج‌فارس‎‍ تشکیل می‌دهند (James and Wynd 1965; Sharland et al. 2001).

شکل 2- موقعیت جغرافیایی (a) و چینه‌شناسی (b) سازندهای‎‍ مطالعه‎‍شده سنگ‌شناسی کلی نیز نمایش داده شده است (با تغییرات از Kaveh-Ahangar et al. 2023‎‍‎‍‎‍).

Fig 2- Geographic location (a) and stratigraphy (b) of the studied formations. The general lithology is also shown (modified from Kaveh-Ahangar et al. 2023).

 رخساره‌های پهنه‌های جذر و مدی و سدهای زیرآبی و محیط رسوبی

انیدریت لایه‌ای تا توده‌ای: انیدریت لایه‌ای تا توده‌ای، با فراوانی بیش از 80درصد انیدریت به‌صورت بلور‌های شعاعی موازی و نیمه‎‍موازی، لایه‌های موجی و بلور‌های هم بعد، به‌صورت میان لایه‌هایی با دولومادستون دارای نودول‌ها و بلور‌های پراکندۀ انیدریت، تشکیل شده است. این انیدریت‌ها، نهشته‌های سبخای بالای جزرومدی تا شورابه‌های ساحلی و بسیار شور لاگون در محیط‌های گرم و خشک‎‍اند. به‎‍طور کلی این رخساره به‌صورت متناوب و همراه با رخساره‎‍های مادستونی، دولومادستونی و استروماتولیتی بخش‎‍های بالای پهنۀ بین جزرومدی و گاهی در کنار لاگون دیده می‎‍شود. این رخساره‎‍، لایه‎‍های کم‎‍ضخامتی دارد‎‍ و بیشترین ضخامت لایه‎‍های انیدریتی در این توالی‎‍ها میانگین 5/0 متر است (شکل 3).

باندستون استروماتولیتی: از تناوب لایه‌های روشن و تیره‌رنگ مسطح و موجی ساخته می‎‍شود و دارای قالب‌های تبخیری، نودول‌های انیدریتی، زیست‎‍آشفتگی، فابریک‌های فنسترال و ترک‌های گلی است. این رخساره بیشتر به‌صورت فرش‎‍های میکروبی، پهنۀ بین جزرومدی را می‎‍پوشاند و در بعضی جاها به‌صورت میان‎‍لایه با رخساره‎‍های گلی بین جزرومدی و ماسه‌های جزرومدی، تشکیل‎‍ و ازطریق سابخا‎‍ها و سطوح فرسایشی پوشیده می‎‍شوند؛ سپس دولومیتی‎‍ می‎‍شوند و در آن انیدریت‎‍های هم‌زمان یا بعد از رسوب‌گذاری دیده می‎‍شود. استروماتولیت‌ها عمدتاً در آب‌های کم‌عمق حاشیۀ حوضه‌های دریایی و دریاچه‌های آب‌ شور مشاهده می‌شوند (شکل 3).

مادستون تا دولومادستون انیدریت‌دار: در این رخساره، بلورهای ریز تا متوسط دولومیت دیده می‌شود و در بخش‌هایی هم نودول‌های انیدریت (شکل 3) و ژیپس با بافت شعاعی و نمدی، به چشم می‌خورد. توسعۀ نودول‎‍های انیدریت و قالب‎‍های تبخیری گاهی به‎‍حدی می‎‍رسد که تشکیل بافت قفسۀ مرغی را در بخش سابخایی می‎‍دهد. در این رخساره، هیچ‌گونه آثاری از قطعات اسکلتی دیده نمی‌شود؛ اما گاهی ساخت لایه‌بندی، زیست‎‍آشفتگی و ترک‌های گلی وجود دارد. بلورهای پراکندۀ انیدریت،‎‍ وجودنداشتن فسیل و دولومیت‌های ریزبلور را دلیل بر نهشت آن در محیط کم‌انرژی با شوری زیاد، در اقلیم گرم و خشک بخش‌های پهنۀ جذر و مدی می‌دانند (Flügel 2010).

رخسارۀ لاگون شامل وکستون تا پکستون بایوکلستی: این رخساره در یک محیط نیمه‌بسته با انرژی آرام تا متوسط، در لاگون دریای باز نهشته شده است. به‎‍دلیل ارتباط نسبی آن با دریای باز، تنوع زیستی آن به نسبت رخساره‎‍های لاگون محدود‎‍شده بیشتر است. رخسارۀ وکستون تا پکستون بایوکلستی دارای آلوکم‌های پلوئید، انکوئید جلبک سبز، مقداری فرامنیفر، گاستروپود و فرامنیفر بنتیک در اندازه‎‍های کوچک تا بزرگ، از‎‍جمله میلیولید است (شکل 3). فعالیت میکروبی، آلوکم‌ها را به‎‍شدت تحت‌تأثیر قرار داده است؛ به‌طوری که بیشتر دانه‌ها به‎‍طور کامل میکرایتی شده‌اند که این حاکی از تأثیر زون نوری در این محیط است. جورشدگی در این رخساره، متوسط تا پایین است. آثار زیست‌آشفتگی به‌صورت باروینگ عمودی و مورب در این رخساره، دیده می‌شود. محیط تشکیل این رخساره، لاگون است.

گروه رخساره‌های سدهای زیرآبی، دارای گرینستون اائیدی و‎‍ عمدتاً شامل اائید‌های هم‌مرکز است. مقدار کمی خرده‌های بایوکلست، آنکوئید، پلوئید نیز، در این رخساره وجود دارد. جورشدگی، گردشدگی و دانه‌بندی و گسترش زیاد سیمان دریایی هم‎‍ضخامت[21] و تیغه‎‍ای[22] تشکیل شده است که نشان‎‍دهندۀ حاکمیت امواج و جریان‎‍های پرانرژی و پمپاژ زیاد آب در مجاورت حاشیه‎‍رو به دریای پلاتفرم کربناتۀ کم‌عمق است و پشته‎‍های زیرآبی سدی را تشکیل می‎‍دهد. ضخامت این رخساره در بعضی مناطق، به 6 متر هم می‌رسد. انواعی از گرینستون‌های اائیدی تا مخلوط گرینستون پلوئیدی اائیدی یا مخلوط گرینستون‌های بایوکلستی اائیدی و گرینستون اینتراکلستی، در بخش‌های مرکزی شول معمول‎‍اند (شکل 3). نبود میکرایت، آثار فرسایشی در دانه‌های سازنده، جورشدگی، گردشدگی همراه با ساخت‌های رسوبی مانندلایه‌بندی مورب مسطح یا تراف در مقیاس بزرگ تا کوچک دو‎‍جهتی، لایه‌بندی مورب، دانه‌بندی تدریجی و لایه‌بندی، انرژی مداوم و بالا را در زمان تشکیل این رخساره، تأیید می‌کند. میکرایتی‎‍شدن از‎‍طریق موجودات میکروبی، یک پدیدۀ رایج در دورۀ آرامش محیط است که گسترش زیادی داشته و به‌صورت پوشش میکرایتی تا میکرایتی‌شدن کامل اوئید‎‍ها عمل کرده ‎‍است. در بسیاری از موارد میکرایتی‎‍شدن همراه از بین بردن بافت اولیه، شکل ظاهری و غالب دانه را حفظ کرده است. شورابه‎‍های دولومیت‌ساز، دانه‎‍های اوئید را به‎‍طور انتخابی دولومیتی کرده‎‍اند. این پدیده بیشتر در دولوگرینستون‎‍های اائیدی دیده‎‍ می‎‍شود و بخش‎‍های میکرایت کلسیتی، باقی مانده‌اند. گسترش سیمان دریایی هم‌ضخامت در این رخساره، از ‌تراکم دانه‎‍ها جلوگیری می‎‍کند و از عوامل مهم توسعۀ تخلخل بین دانه‎‍ای در گرینستون‎‍هاست. گرینستون‎‍های اوئیدی در کمربند رخساره‎‍ای پشته‎‍های زیر آبی، به‎‍ویژه در بخش مرکزی شول (دانه‌متوسط) تا بخش رو به دریای آن (اائید‎‍های دانه‎‍درشت) تشکیل شده است. این رخساره در واحد K4، از گسترش بسیار خوبی برخوردار‎‍ و معادل کمربند رخساره‎‍ای 6 ویلسون و 3 باکستون و پدلی مربوط به بخش خارجی رمپ داخلی است.

گرینستون بایوکلستی (سمت ساحل): این رخساره با بافت گرینستونی، عمدتاً شامل بایوکلاست‌ها، فرامنیفرها، نرمتنان، گاستروپود، جلبک سبز، بریوزوئر، براکیوپودها و خرده‎‍های اکینودرم است (شکل 3). در این رخساره به مقدار کم اینتراکلست و پلوئید نیز، به چشم می‌خورد. در این رخساره، جورشدگی متوسط است و در بخش مرکزی تا رو به ساحل، سد‌های زیر آبی تشکیل می‌شود. در بخش رو به لاگون شول‎‍های سدی[23]، رخساره‌هایی با انرژی متوسط تشکیل می‎‍شوند که خصوصیات حد واسطی از دو رخسارۀ گرینستون سدی و رخسارۀ کم‎‍انرژی لاگونی را نشان می‎‍دهند. اختلاط رخساره‎‍های دانه‌پشتیبان سدی با لاگونی، به‎‍دلیل کاهش انرژی امواج در برخورد با شول‎‍های سدی انجام و در بسیاری موارد حالت تدریجی تبدیل رخسار گرینستونی شول به وکستونی لاگون را در مقیاس میکروسکوپی نیز، به‎‍خوبی دیده می‎‍شود. میکرایتی‌شدن گسترش زیادی دارد و بیشتر دانه‎‍ها یا به‎‍طور کامل میکرایتی می‎‍شوند و یا دارای پوشش میکرایتی‎‍اند. دولومیتی‌شدن در اثر مدل دولومیتی‌شدن برگشتی، به میزان متفاوت رخ داده ‌است؛ به‌طوری که دانه‎‍های اوئیدی به‌صورت انتخاب‎‍کنندۀ فابریک و یا تخریب‎‍کنندۀ فابریک دولومیتی شده‎‍اند. آثار آشفتگی‎‍های زیستی نیز کم و بیش دیده می‎‍شود. این رخساره در تناوب با رخساره‎‍های لاگونی و شول‎‍های اوئیدی تشکیل می‎‍شود و معادل کمربند شمارۀ 3 باکستون و پدلی در بخش رو به ساحل پشته‎‍های زیرآبی اوئیدی، در محیط رمپ درونی است.

گریستون بایوکلستی (به‎‍سمت دریا): این رخساره حاوی آلوکم‎‍های دانه‎‍درشت، فرامنیفر‌ها، نرم‌تنان، جلبک سبز، بریوزوئر، اکینودرم، براکیوپود‌ها، اینتراکلست و پلوئید است. وجود اینتراکلست‌های گردشده در کنار اائیدهای هم‌مرکز، زمینۀ بدون گل، توسعۀ سیمان‌های دریایی نسل اول و کاهش میزان پلوئیدها (شکل 3)، نشان‎‍دهندۀ تشکیل این رخساره در محیط پرانرژی بخش مرکزی تا رو به دریای سد‌های زیر‌آبی است. بلوغ بافتی بالا و توسعۀ سیمان‎‍های اولیۀ دریایی به‎‍ویژه سیمان حاشیه‎‍ای تیغه‎‍ای، مبین رسوب‌گذاری آن در شرایط کاملاً پرانرژی با گردش زیاد آب، در حاشیۀ رو به دریای شول‎‍های سدی[24] با نرخ رسوب‌گذاری بالاست. آثار فعالیت‎‍ها میکروبی و میکرایتی‌شدن در دوره‎‍های آرامش، توسعه یافته است. این رخساره در واحد K4 به‎‍طور متناوب همراه با شول‎‍های اوئیدی، پلوئید اوئید گرینستون‎‍های پشت سدی و در برخی موارد، با رخساره‎‍های گل‌پشتیبان تا پکستونی رمپ میانی دیده می‎‍شود. محیط رسوبی معادل کمربند رخساره‎‍ای شمارۀ 3 باکستون و پدلی در بخش خارجی رمپ داخلی تا ابتدای رمپ میانی است.

گرینستون اینتراکلستی: در این رخسارۀ دانه‌درشت با بافت گرینستونی، آلوکم اصلی اینتراکلست است که اائید و بایوکلست‌هایی نظیر جلبک سبز و گاستروپود نیز در آن یافت می‌شود. در مطالعات میکروسکوپی شامل یک گرینستون تا پکستون اینتراکلاستی درشت‎‍دانه با جورشدگی ضعیف تا متوسط است که از آلوکم‎‍های متنوعی از قبیل اینتراکلاست‎‍ها، لیتوکلاست‎‍های زاویه‎‍دار و گرد با پوشش‎‍های جلبکی، انکوئید‎‍های دانه‎‍درشت، اوئید، پلوئید، دانه‎‍های پوشش‎‍دار اوئید مانند، بایوکلاست‎‍هایی نظیر قطعات دوکفه‎‍ای، قطعات گلی آواری[25] و قطعات تبخیری آواری تشکیل شده ‎‍است (شکل 3) و‎‍ ضخامتی کمی دارد. این رخساره معمولاً به‌صورت قطعات نهشته‎‍شده در قاعدۀ سکانس‎‍های ریزشونده به‎‍سمت بالای گرینستون‎‍های اوئیدی، پلوئیدی و انکوئیدی گسترش می‎‍یابد و نشان‎‍دهندۀ سطوح پیش‎‍رونده یا وقایع طوفانی یا به عبارت دیگر، نهشته‎‍های لاگ حاصل از پیشروی آب دریا[26] هستند. این رخساره‎‍ها در اثر پیشروی سطح آب دریا و برخورد امواج با انرژی زیاد به بخش بالایی محیط بین جزرومدی تا بخش کم‎‍عمق زیر جزرومدی، تشکیل می‎‍شوند و باعث کند‎‍ه‎‍شدن و حمل دوبارۀ رسوبات بستر قدیمی با نرخ رسوب‌گذاری بالا می‎‍شوند. محل تشکیل این رخساره، قسمت به‎‍سمت دریای سدهای زیرآبی است.

شکل 3- رخساره‌های مشاهده‌شده در سازندهای کنگان و دالان در چاه‎‍ مطالعه‎‍شده

 رخساره‌ها به ترتیب شامل انیدریت لایه‌ای تا توده‌ای، باندستون استروماتولیتی، مادستون تا دولومادستون انیدریت‌دار، وکستون تا پکستون بایوکلستی، گرینستون اائیدی، گرینستون بایوکلستی (سمت ساحل)، گریستون بایوکلستی (به‎‍سمت دریا)، گرینستون اینتراکلستی‎‍اند. تصاویر a، c، f و g در XPL و بقیۀ تصاویر در PPL گرفته شده است.

Fig 3- Observed facies in the Kangan and Dalan formations in the studied well. The facies include, in order: layered to massive anhydrite, stromatolitic boundstone, anhydrite-bearing mudstone to dolomudstone, bioclastic wackestone to packstone, oolitic grainstone, bioclastic grainstone (shoreward), bioclastic grainstone (seaward), and intraclastic grainstone. Images a, c, f, and g are taken under XPL, while the remaining images are taken under PPL.

 تأثیر فرایندهای دیاژنزی دریایی و جوی

بر‎‍اساس مطالعات میکروسکوپی انجام‎‍شده بر‎‍ سازندهای کنگان و دالان در چاه‎‍ مطالعه‎‍شده، فرایندهای دیاژنزی این سازندها به شرح زیر است.

در دیاژنز دریایی، رسوبات پس از رسوب‌گذاری در معرض سیالات دریایی قرار می‌گیرند. فرایندهای دیاژنز دریایی مشاهده‎‍شده در سازندهای کنگان و دالان، به‎‍طور کلی شامل سیمانی‌شدن دریایی، میکرایتی‌شدن، سیمان انیدریت و دولومیتی‌شدن اولیه است. دیاژنز دریایی زمانی اتفاق می‌افتد که تمامی حفرات به‎‍وسیلۀ سیال (فقط آب دریا) پرشده باشد. فرایندهای دیاژنز دریایی در سازندهای‎‍ مطالعه‎‍شده، شامل سیمان‌های دریایی، گسترش سیمان‌های تبخیری، آشفتگی زیستی و میکرایتی‎‍شدن‎‍اند.

محیط پرانرژی شول از کانون‌های اصلی و فعال سیمانی‌شدن دریایی در محیط‌های رمپ کربناته است (Tucker and Wright 1990; Moore 2001) از انواع سیمان‌های مربوط به دیاژنز دریایی مشاهده‎‍شده در مخزن‎‍ مطالعه‎‍شده، به سیمان هم‌ضخامت و تیغه‌ای اشاره می‎‍شود (شکل 4). سیمان هم‌ضخامت بیشتر در ریزرخساره‌های گل‌پشتیبان و به میزان کمتر در ریزرخساره‌های دانه‌پشتیبان، در توالی مربوطه مشاهده می‌شود، نقش مهمی در حفظ آلوکم‌ها در مقابل ‌تراکم دارند و تخلخل و تراوایی اولیه را حفظ کرده‌اند (Tavakoli et al. 2011) سیمان‌های تیغه‌ای، غیر هم‌بعدند و به دور دانه‌های اسکلتی و غیر اسکلتی رشد کرده‌اند. این نوع سیمان در چاه‎‍ مطالعه‎‍شده، فراوانی کمتری نسبت‎‍به دیگر سیمان‌ها دارد و بیشتر در ریزرخساره‌های گرینستونی موجود در واحد مخزنی K1 مشاهده می‌شود.

میکرایتی‎‍شدن در بسیاری از نمونه‌های ‎‍مطالعه‎‍شده مشاهده می‎‍شود. با توجه به اینکه میکرایتی‌شدن در ناحیۀ نوری رخ می‌دهد (Tucker and Wright 1990)، نشان‌دهندۀ عمق کم آب در زمان دیاژنز دریایی برای این سازندهاست. میکرایتی‌شدن کامل دانه‌های آراگونیتی، به کاهش پتانسیل انحلال آنها و کاهش کیفیت مخزنی منجر شده است (Enayati-Bidgoli and Rahimpour-Bonab 2016) (شکل 4).

آشفتگی زیستی بیشتر در محیط فریاتیک دریایی و در اثر فعالیت موجودات بر‎‍ رسوبات، شکل می‌گیرد. در سازندهای مطالعه‎‍شده، فرآیند آشفتگی زیستی بیشتر در ریزرخساره‌های وکستون و پکستونی محیط لاگون و مادستون‌های بخش‌های کم‌عمق دریای باز دیده می‌شود.

انحلال در توالی‎‍ مطالعه‎‍شده، یکی از مهم‌ترین فرایندهای دیاژنزی است که در بیشتر ریزرخساره‌ها مشاهده می‌شود. انحلال در ریزرخساره‌های دانه‌پشتیبان به‌صورت تخلخل قالبی (شکل 4) و درون‌دانه‌ای و در ریزرخساره‌های گل‌پشتیبان، به‌صورت تخلخل‌های حفره‌ای کوچک و به میزان کمتر قالبی ایجاد شده است؛ در ‎‍نتیجۀ افزایش انحلال، تقریباً در همۀ ریزرخساره‌ها، تخلخل‌های واگی نیز مشاهده می‌شود. انحلال در سازندهای مد‎‍نظر، در طول دیاژنز جوی اتفاق افتاده است؛ ولی تا محیط دیاژنز تدفینی ادامه پیدا کرده است (Abdolmaleki et al. 2016).

از فرآیندهای دیاژنزی جوی، نوشکلی در سرتاسر توالی‎‍ مطالعه‎‍شده، مشاهده می‌شود. در این فرآیند، میکرایت‌ها به میکرواسپار تا اسپارایت تبدیل شده‌اند. نوشکلی در بیشتر موارد در سازندهای‎‍ مطالعه‎‍شده، افزایشی است.

دیاژنز تدفینی بر اثر تدفین رسوبات، در اعماق رخ می‌دهد. از مهم‌ترین محصولات دیاژنز تدفینی، به تراکم، شکستگی و سیمانی‌شدن اشاره می‎‍شود. هرچند آثار دیاژنز تدفینی در سازندهای‎‍ مطالعه‎‍شده کمتر دیده می‌شود، اما در کاهش کیفیت مخزنی نقش داشته است.

‌تراکم به دو صورت مکانیکی و شیمیایی در توالی‎‍ مطالعه‎‍شده رخ داده است. ‌تراکم مکانیکی باعث شکستگی آلوکم‌ها، ایجاد مرزهای محدب- مقعر و نیز خرد‎‍شدن اائیدها شده است. فشرده‎‍شدن آلوکم‌ها و تشکیل مرزهای محدب- مقعر در ریزرخساره‌های دانه‌پشتیبان لاگون و شول مشاهده می‌شود (شکل 4). وجود سیمان‌های دور‎‍دانه در اطراف آلوکم‌ها در ریزرخساره‌های دانه‌پشتیبان، از ‌تراکم بیش از حد آنها جلوگیری می‌کند. با افزایش عمق، تراکم شیمیایی ایجاد و آثار این نوع ‌تراکم به‌صورت رگچه‌های انحلالی و استیلولیتی‎‍شدن مشاهده می‎‍شو‎‍د. استیلولیت‌ها از جریان مایعات جلوگیری می‌کنند (Mehrabi et al. 2016)؛ ولی در بعضی مواقع استیلولیت‌ها، مسیرهایی برای عبور سیالات بوده‌اند؛ به طوری که در امتداد استیلولیت‌ها، مواد هیدروکربوری مشاهده می‌شود. در مخزن‎‍ مطالعه‎‍شده، فابریک فشرده در ریزرخساره‌های دانه‌پشتیبان، رگچه‌های انحلالی بیشتر در ریزرخساره‌های گل‌پشتیبان و استیلولیتی‎‍شدن تقریباً در تمامی ریزرخساره‌ها دیده می‌شود.

سیمان‌های کلسیتی پرمنیزیم و یا کم منیزیم (سیمان کلسیتی بلوکی) در محیط‌های جوی و تدفینی، امکان تشکیل دارند (Tucker and Wright 1990). این نوع سیمان در صورتی که پر‎‍کنندۀ استیلولیت‌ها و شکستگی‌ها باشد، کاهش کیفیت مخزنی را در پی خواهد داشت. در توالی‎‍ مطالعه‎‍شده، این نوع سیمان بیشتر در ریزرخساره‌های دانه‌پشتیبان و به میزان کمتر، گل‌پشتیبان دیده می‌شود.

بیشتر شکستگی‌های موجود در سازند کنگان با سیمان پر شده است. شکستگی،‌ فرآیند دیاژنزی عمده‌ای در این سازندها (دالان و کنگان) نیست. در صورتی که ریزشکستگی‌ها در ریزرخساره‌های دانه‌پشتیبانی انجام شود که‎‍ تخلخل قالبی دارند، باعث ارتباط تخلخل‌ها با یکدیگر می‌شود و اگر در ریزرخساره‌های مادستون و دولومادستونی ایجاد شوند، تراوایی آنها را افزایش و کیفیت مخزنی را بهبود می‌بخشند (شکل 4). توالی‎‍ مطالعه‎‍شده دارای ریزشکستگی‌هایی است که بیشتر آنها با کلسیت و انیدریت پر شده‌اند. تخلخل‌های شکستگی تقریباً در تمامی ریزرخساره‌ها، با نسبت‌های متفاوت مشاهده می‌شوند.

فرآیند دیاژنزی اصلی در توالی‎‍ بررسی‎‍شدۀ دولومیتی‌شدن است که تقریباً بیش از 80% ریزرخساره‌ها را تحت ‌تأثیر قرار می‎‍دهد و شدت آن در ریزرخساره‌های مختلف، متفاوت است و نقش مهمی در کنترل کیفیت مخزنی دارد. مطالعات پیشین نشان می‌دهد که دولومیتی‌شدن در رسوبات گل‌پشتیبان و دانه‌پشتیبان (شکل 4)، کیفیت مخزنی را افزایش می‌دهد (Warren 2000; Lucia 2007). بر مبنای مطالعات سنگ‌نگاری، 4 نوع دولومیت شامل دولومیکرایت، دولومیت‌های مسطح، دولومیت‌های درشت بلور و ساکروزیک در این توالی شناسایی شده است. با بررسی داده‌های تخلخل و تراوایی در انواع مختلف دولومیت‌ها، ‎‍در بیشتر دولومیت‌ها میزان تراوایی به‎‍طور مستقیم به تخلخل کل بستگی ندارد‎‍ و بیشتر به ارتباط حفره‌ها از‎‍طریق حفره‌های گلوگاهی وابسته است‎‍ که خود ناشی از افزایش اندازۀ بلورهای دولومیت است.

 شکل 4- فرآیندهای دیاژنزی اصلی در سازندهای‎‍ مطالعه‎‍شده ‎‍به ترتیب از a تا f شامل سیمانی‌شدن، تراکم، انحلال، دولومیتی‌شدن، شکستگی و میکرایتی‌شدن‎‍

Fig 4- Main diagenetic processes in the studied formations. From a to f: cementation, compaction, dissolution, dolomitization, fracturing, and micritization‎‍

 زون‌بندی پتروفیزیکی- مغزه

نگارهای چاه‌پیمایی به انواع مختلف ویژگی‌های سنگ مخزن حساس‎‍اند و بنابراین، ترکیب‌های خاصی از این نگارها همراه با یک الگوریتم معتبر، دقت، قابلیت اطمینان و اثربخشی روش را به‎‍طور درخور توجهی افزایش می‎‍دهد. اگرچه برخی مطالعات نشان داده‌اند که محتوای کربنات‎‍ بر سرعت صوت تأثیر می‎‍گذارد (Jankowsky 1970)،‎‍ بسیاری از پژوهش‌ها بر نقش دیگر عوامل مانند سیمانی‌شدن، بافت‌های رسوبی و آثار دیاژنزی تأکید کرده‌اند (Anselmetti and Eberli 1999; Wallace et al. 2002). به‎‍طور کلی، یک همبستگی معکوس بین تخلخل و سرعت وجود دارد؛ اما ممکن است انحرافات درخور توجهی برای انواع خاصی از منافذ رخ دهد؛ برای مثال، با وجود تخلخل یکسان، انواع منافذ ایجادکنندۀ چارچوب، مانند منافذ قالبی یا درون‌فسیلی، مقادیر سرعت بالاتری را نشان می‌دهند (Anselmetti and Eberli 1999). این روابط در سازندهای‎‍ مطالعه‎‍شده با استفاده از نمودارهای احتمال نرمال نشان داده می‎‍شود. نمودار احتمال نرمال، نمودار مفیدی برای ارزیابی این موضوع است که آیا داده‌ها از یک توزیع نرمال پیروی می‌کنند یا خیر. مقیاس محور قائم، احتمال‌ها را نشان می‌دهد و از صفر تا یک متغیر است. فاصلۀ بین نقاط روی محور قائم با فاصلۀ بین صدک‌های یک توزیع نرمال مطابقت دارد. در نزدیکی میانه (احتمال = 0.5)، صدک‌ها به یکدیگر نزدیک‌ترند و به‎‍طور متقارن از میانه دور می‌شوند. اگر همۀ نقاط داده نزدیک به خط قرار گیرند، فرض نرمال‎‍بودن داده‌ها منطقی است؛ اما اگر توزیع داده‌ها نرمال نباشد، ممکن است نقاط از یک منحنی پیروی کنند (Heo et al. 2008) (شکل 5). در این مطالعه، با توجه به اینکه نیاز بود تا مقدار انحراف از توزیع نرمال در سنگ‌شناسی‌های مختلف مشخص شود، دربارۀ هر نگار چاه‌پیمایی، نمودار احتمالی تجمعی در هر سنگ‌شناسی رسم شد (شکل 5).

شکل 5- توزیع احتمالی نرمال‌شدۀ نگارهای‎‍ مطالعه‎‍شده  ناهمگنی در داده‌ها، در همۀ نگارها مشخص است.

Fig 5- Normalized probability distribution of the studied logs. Heterogeneity in the data is evident across all logs.

 همان‌طور که انتظار می‌رود، توزیع داده‌های نگارها در شکل 5 نرمال نیست. همان‌طور که قبلاً ذکر شد، توزیع سرعت صوت، به‎‍شدت تحت‌ تأثیر فرایندهای دیاژنزی قرار دارد. در این شکل مشخص است که دیگر نگارها تقریباً همان روند را دنبال می‌کنند. با توجه به اینکه این نگارها با هم تغییر می‌کنند، گروه‌بندی دقیق و صحیح آنها‎‍ به تمایز واحدهای مشابه منجر خواهد شد.

گروه‌های مشابه نگار‌ها با استفاده از چندین تکنیک ریاضی تشخیص داده می‎‍شوند. همۀ این تکنیک‌ها از مفهوم فاصله برای گروه‌بندی داده‌ها استفاده می‌کنند. نقاطی که کمترین فاصله را دارند، در یک گروه قرار می‌گیرند؛ در حالی که نقاط دورتر در گروه‌های مختلف قرار می‌گیرند. تحلیل خوشه‌بندی چندمتغیره، یکی از دقیق‌ترین و مؤثرترین روش‌ها برای گروه‌بندی خودکار نگارهای چاه‌پیمایی است. این روش روی انواع مختلف سنگ‌ها اعمال شده‎‍ (Gill et al. 1993; Tavakoli 2016; Faiz et al. 2007) و نتایج خوبی را ارائه کرده است. با توجه به نتیجۀ مدنظر، ترکیب مناسب نگارها و الگوریتم مناسب انتخاب می‌شود. با ترکیب‌های مختلف نگار‌ها و سطح برش مناسب، زون‌های مناسب‎‍ تشخیص داده می‎‍شوند. در این روش، هر پارامتر زمین‌شناسی که از مطالعات مستقیم‎‍ سنگ‌ها (مانند مغزه‌ها و مقاطع نازک) به‌ دست آمده باشد، به چاه‌هایی با زون‌های‎‍ مقایسه‎‍شدنی مرتبط می‎‍شود. طبقه‌بندی داده‌های نگار با استفاده از تحلیل خوشه‌بندی انجام شد و امکان گروه‌بندی نمونه‌ها را فراهم کرد‎‍. روابط بین نمونه‌ها بر‎‍اساس داده‌های چندمتغیره، ازطریق تحلیل خوشه‌بندی سلسله‌مراتبی (با استفاده از معیار فاصلۀ بلوک شهری) تعیین شد. فرایندهای دیاژنزی در سنگ‌شناسی‌های مختلف، انواع تخلخل و حجم کلی آنها را تغییر می‎‍دهند؛ بنابراین، ترکیب سنگ‌شناسی، تخلخل و نگار سرعت صوت در چنین روشی، به ایجاد زون‌بندی پتروفیزیکی منجر می‌شود. در اینجا‎‍ نگار‌های صوتی، تخلخل نوترون[27]، چگالی و فاکتور فتوالکتریک برای ساخت این زون‌بندی ترکیب شده‌اند. همچنین تخلخل‎‍ مشاهده‎‍شدنی از مقاطع نازک و درصد سنگ‌شناسی نیز به کار رفت. نگار‌های‎‍ استفاده‎‍شده و زون‌های حاصل در شکل 6 نشان داده شده‌اند. نگار سنگ‌شناسی نیز در این شکل ارائه شده است.

شکل 6- ستون سنگ‌شناسی، نگارها و زون‌های تعیین‎‍شده در سازندهای مطالعه‎‍شده در این مطالعه از سطح برش برای تعیین زون‌ها استفاده نشده و هر نمونه تنها به یک زون نسبت داده شده است.

Fig 3- Lithological column, well logs, and identified diagenetic zones in the studied formations. No cutoff criteria were applied in this study; each sample is exclusively assigned to a single zone.

تحلیل رفتار لاگ‌ها در زون‌های مخزنی

بررسی داده‌های چاه‌پیمایی در پنج زون تعریف‌شده نشان می‌دهد که هر زون، الگوی تغییرات مشخصی در مقادیر لاگ‌ها دارد که نشان‌دهندۀ تفاوت‌های پتروفیزیکی و تا حدودی دیاژنزی بین زون‌هاست. نگار صوتی در زون‌های ۱، ۲، ۳ و ۵، میانگین نسبتاً پایین‌تری (حدود ۵۱ تا ۵۵ µs/ft) دارد که نشان‌دهندۀ سرعت بالاتر موج فشاری و در‎‍نتیجه تراکم بیشتر سنگ است. در مقابل، زون ۴ دارای بیشترین میانگین (حدود ۶۴ µs/ft) و بیانگر سرعت کمتر و فشردگی کمتر است. تخلخل نوترون در بیشتر زون‌ها مقدار پایین و پراکندگی محدودی دارد، هرچند زون ۴ با میانگین بالاتر (078/0) و بیشترین دامنۀ تغییرات، نسبت‎‍به دیگر زون‌ها متمایز و ناشی از ناهمگنی بالای آن است. شاخص فتوالکتریک عمدتاً بین 1/3 تا 7/5 g/cm³ تغییر می‌کند و در زون ۴، میانگین بالاتری (72/4) دارد که به‎‍دلیل سیمانی‌شدن در این زون است. چگالی کلی در زون ۴ به‌طور محسوسی، کمتر از دیگر زون‌هاست (میانگین 42/2 g/cm³ در مقابل حدود 7/2 g/cm³ برای دیگر زون‌ها) که این کاهش بیانگر سنگ‌شناسی آهک است. به‌طور کلی، داده‌ها نشان می‌دهند که زون ۴ نسبت‎‍به دیگر زون‌ها رفتار متمایزی در تمامی نگارها دارد.

 

بحث

توزیع تخلخل-تراوایی در زون‌ها

فواصل با مقادیر و انواع تخلخل و تراوایی مشابه با این روش، از یکدیگر تفکیک می‎‍شود. با توجه به اینکه انواع مختلف تخلخل، آثار متفاوتی بر تراوایی دارند، زون‌های تعریف‌شده دارای مدل خاصی از توزیع تخلخل-تراوایی خواهند بود. شکل 7، این توزیع را در زون‌های مختلف بر‎‍اساس داده‌های مغزه نشان می‌دهد. همان‌طور که مشاهده می‌شود، هر زون‎‍ توزیع ویژه‌ای از تخلخل-تراوایی دارد. جدول 1 پارامترهای آماری اصلی تخلخل و تراوایی مغزه را در این زون‌ها‎‍ خلاصه می‌کند. زون‌ها بر‎‍اساس کاهش تخلخل مرتب شده‌اند.

شکل 7- توزیع تخلخل و تراوایی در زون‌های تعیین‎‍شده داده‌ها جدایش پذیرفتنی را نشان می‌دهند. به‎‍دلیل تراکم داده‌ها، در برخی نقاط هم‌پوشانی ظاهری بین زون‌های مختلف دیده می‌شود. در این مطالعه، از سطح برش برای تعیین زون‌ها استفاده نشده و هر نمونه تنها به یک زون نسبت داده شده است.

Fig 7- Distribution of porosity and permeability within the identified zones. The data exhibit a reasonable separation. Due to data density, apparent overlaps between different zones are observed at certain depths. No cutoff criteria were applied in this study; each sample is exclusively assigned to a single zone.

 

 

جدول 1- شاخص‌های آماری زون‌های مشخص‎‍شده در این مطالعه‎‍

Table 1 – Statistical indicators of the identified zones in this study.

میانگین

کمینه

بیشینه

 

 

30.14

24.24

34.60

تخلخل (%)

زون 1

28.21

7.00

50.99

تراوایی (میلی‌دارسی)

23.53

14.61

32.34

تخلخل (%)

زون 2

24.12

0.01

610.21

تراوایی (میلی‌دارسی)

17.60

1.95

31.81

تخلخل (%)

زون 3

52.31

0.01

1118.82

تراوایی (میلی‌دارسی)

14.23

1.33

23.86

تخلخل (%)

زون 4

3.28

1.22

52.34

تراوایی (میلی‌دارسی)

3.56

0.00

18.65

تخلخل (%)

زون 5

4.21

0.00

968.21

تراوایی (میلی‌دارسی)

زون 1، تخلخل و تراوایی بالایی دارد. این زون شامل تخلخل‌های «لمس‌کننده» (Lucia 1995) است که حفرات خالی را در بدنۀ سنگ ‎‍به هم متصل می‌کنند. تخلخل‌های اولیه یا ثانویه از‎‍طریق فرایندهای انحلال، شکستگی، دولومیتی‌شدن تخریبی بافت و تخلخل حفره‌ای به هم متصل شده‌اند. هنگامی که منافذ اولیه حضور دارند، دولومیتی‌شدن انتخابی بافتی تأثیری بر نوع و حجم تخلخل ندارد. همان‌طور که در شکل 6 مشاهده می‌شود، این زون منطقۀ انتقالی بین واحد K4 بالایی را که تحت تأثیر انحلال است و واحد K4 پایینی را نشان می‌دهد که دولومیتی‌شده است. تخلخل در زون 2 کاهش می‌یابد؛ اما این کاهش به‎‍اندازه‌ای نیست که کیفیت مخزن را به‎‍طور درخور ‌توجهی کاهش دهد. این زون عمدتاً با بخش‌های اصلی K2 پایینی و K4 بالایی مطابقت دارند و هر دو دارای انحلالی به‌عنوان یک اثر دیاژنزی اولیه‎‍اند. تخلخل در این زون مؤثر است و ‎‍سیال را به‎‍راحتی منتقل می‌کند. در‎‍واقع، این زون به‎‍دلیل حجم کمتر تخلخل از زون 1 جدا شده است؛ اما فرایندهای دیاژنزی مشابهی دارد. زون 3 تعداد نمونه‌های بیشتری را شامل می‌شود. اگرچه این زون طیف وسیعی از داده‌ها را پوشش می‌دهد، بخش عمدۀ داده‌ها‎‍ تخلخل نسبتاً متوسط و تراوایی بالایی دارند (جدول 1). زون 3 در بخش بالایی K2 و بیشتر بخش‌های K4، به‎‍ویژه در بخش پایینی این واحد حضور دارد. تخلخل در این زون نسبت‎‍به زون قبلی کاهش یافته است؛ اما تراوایی به‎‍طور مؤثری افزایش یافته است؛ این به‎‍دلیل این واقعیت است که بیشتر منافذ در این زون به هم متصل‎‍اند. این زون دارای دولومیتی‌شدن تخریبی بافت است که تخلخل‌های اولیه را به هم متصل کرده است. زون 4، بخش پایینی واحد K1 و برخی از بخش‌های واحد K3 را پوشش می‌دهد. این زون دارای تخلخل و تراوایی کمتری است (جدول 1). کیفیت مخزن در این زون، کاهش می‌یابد. این امر به‎‍دلیل‎‍ وجودنداشتن هرگونه اتصال‌دهنده بین منافذ قالبی یا وجود مسدود‎‍شدن گلوگاه‌های منافذ با انیدریت است. میانگین تخلخل این زون (23/14%) هنوز برای یک مخزن خوب کافی است؛ اما تراوایی به‎‍طور مؤثری کاهش یافته است. همان‌طور که گفته شد، سیمانی‌شدن انیدریتی، فرآیند دیاژنزی اصلی است که بخش‌های اصلی واحدهای K1 و همچنین K3 را تحت تأثیر قرار داده است. این زون نمایندۀ خوبی از سنگ‌هایی است که دارای تخلخل اولیه‎‍اند و ازطریق سیمان انیدریت ثانویه مسدود شده‌اند. نوع اصلی تخلخل در این زون، حفرات اولیه‎‍اند که اتصال آنها در مراحل اولیۀ دیاژنز مسدود شده است. انواع اصلی تخلخل‌ها در این زون، شامل تخلخل بین‌ذراتی و درون‌ذراتی و فنستری‎‍اند. میانگین تخلخل و تراوایی زون 5، این زون را به یک زون غیر مخزنی تبدیل کرده است. این زون بیشتر بخش‌های واحدهای K1 و K3 را پوشش می‌دهد. به نظر می‌رسد که سنگ‌ها در این زون، تخلخل اولیه نداشته‎‍اند‎‍ و یا تخلخل آنها در طی مراحل بعدی دیاژنز از بین رفته است. سیمانی‌شدن انیدریتی که تخلخل‌ها را پر‎‍ و گلوگاه‌های منافذ را مسدود کرده است، دلیل اصلی کیفیت پایین مخزن در این زون خواهد بود. این زون به‎‍دلیل حجم کمتر تخلخل، از زون 4 جدا شده است.

بررسی تغییرات نگار انحراف سرعت در زون‌های مختلف، نشان می‌دهد که رفتار این شاخص در واحدهای کنگان و دالان ناهمگن بوده و تحت تأثیر فرآیندهای متفاوتی قرار گرفته است. در زون 1، مقادیر عمدتاً منفی است که بیانگر فرآیندهای انحلال و ایجاد ریزشبکه‌های منفذی یا شکستگی‌های ریز است. چنین شرایطی، تراوایی بالاتر از انتظاری را در مقایسه با میزان تخلخل ایجاد می‎‍کند. در زون 2 مقادیر نزدیک به صفر، ولی با گرایش منفی مشاهده می‌شود که حاکی از وجود تخلخل‌های میکروسکوپی غیر متصل یا انحلال پراکنده است؛ بنابراین اگرچه تخلخل درخور توجه است،‎‍ به‎‍دلیل ضعف در پیوستگی منافذ، تراوایی افزایش چشمگیری را نشان نمی‌دهد. در زون 3، انحراف‌های منفی قوی و پیوسته ثبت شده است که نشان‌دهندۀ انحلال مؤثر و توسعۀ تخلخل‌های متصل و یا شکستگی‌های باز است؛ این وضعیت بیانگر کیفیت مخزنی مطلوب با تراوایی بالا، حتی در صورت تخلخل متوسط است. در مقابل، زون 4 تنها بخشی است که غلبۀ مقادیر مثبت نگار انحراف سرعت در آن دیده می‌شود و این امر به‌وضوح نشانگر سیمانی‌شدن است؛ بنابراین تخلخل مخزنی در این زون، ضعیف‌تر است. در‎‍نهایت، زون 5 مشابه زون 1، رفتار‎‍ منفی نشان می‌دهد و ناشی از تداوم آثار ایجاد ریزحفرات است، هرچند در بسیاری از موارد به‎‍دلیل ناپیوستگی مناسب منافذ، تراوایی پایین‌تر خواهد بود. تحلیل این نگار نشان داد که زون‌های با مقادیر منفی پایدار، بیانگر اثرگذاری غالب فرآیندهای انحلال و توسعۀ تخلخل‌های مؤثرند؛ در حالی که زون‌های مثبت‌تر تحت کنترل سیمانی‌شدن و تراکم قرار گرفته‌اند. این رویکرد ضمن آشکارکردن تفاوت‌های درون‌زون‌ها، امکان تبیین بهتر کیفیت مخزنی و تفکیک واحدهای با قابلیت تولیدی مطلوب را از واحدهای غیر مخزنی فراهم می‌آورد.

 

توزیع اندازۀ گلوگاه منافذ و نتایج میکروسکوپ الکترونی روبشی

تزریق جیوه، یک ابزار پتروفیزیکی سه‌بعدی شناخته‌شده برای مشخص‌کردن محیط‌های متخلخل است. منحنی‌های فشار موئینگی تزریق و برداشت جیوه، که به گلوگاه منافذ تبدیل شده‌اند، برای تعیین رفتار زون‌های مختلف استفاده شدند. با توجه به اینکه خواص مخزنی مانند تخلخل و تراوایی تحت ‌تأثیر اندازه و چیدمان منافذ و گلوگاه‌ها قرار دارند (Mccreesh et al. 1991)، روش تزریق جیوه به‎‍طور گسترده‌ای برای مشخص‌کردن توزیع اندازۀ منافذ و رفتار مخزنی در محیط‌های متخلخل استفاده می‌شود (Swanson 1981; Katz 1986; Pittman 1992).

شکل 8 نتایج توزیع اندازۀ گلوگاه منافذ[28] به‌ دست ‌آمده از چهار آزمایش تزریق جیوه را در زون‌های مخزنی نشان می‌دهد. این منحنی‌ها از‎‍نظر شکل به‎‍طور درخور توجهی متفاوت‎‍اند که نشان‌دهندۀ تنوع گستردۀ نمونه‌ها از‎‍نظر توزیع اندازۀ گلوگاه منافذ است. تصاویر میکروسکوپ الکترونی روبشی ثانویه[29]، پراکنده برگشتی[30] و نمونه‌های مقاطع نازک به‎‍همراه داده‌های تخلخل و تراوایی در کنار منحنی‌ها ارائه شده‌اند.

شکل 8- توزیع اندازۀ گلوگاه‌های حفرات در زون‌های تعیین شده تصاویر میکروسکوپ الکترونی روبشی ثانویه، پراکنده برگشتی و مقاطع نازک مشاهده می‎‍شود. مقیاس برای همۀ تصاویر مقطع نازک یکسان است.

Fig 8- Pore-throat size distribution within the identified zones. Secondary and backscattered scanning electron microscope (SEM) images are presented. The scale is the same for all thin section photos.

 

 

نمونۀ 1 (شکل 8a)، دولومیتی با سیستم منفذ اولیه را نشان می‌دهد. در این نمونه، دولومیتی‌شدن انتخابی بافتی، تأثیر زیادی بر کیفیت مخزن نداشته است. همان‌طور که مشاهده می‌شود، نوسان عمده‌ای در توزیع قطر گلوگاه‌ها وجود ندارد و به این دلیل است که دولومیتی‌شدن انتخابی، تأثیر عمده‌ای بر مقادیر تخلخل و تراوایی نداشته است. در نمونۀ 2 (شکل 8b)، شبکۀ منفذی با حضور منافذ اولیه و ثانویه مشخص و به‌صورت موضعی با انیدریت پر شده است. منافذ با اندازه‌های مختلفی وجود دارند و ریزتخلخل عمدتاً در دانه‌های نیمه‌حل‎‍شده شکل گرفته است. تراوایی به مسیرهای پیوستۀ موجود در نمونه مرتبط است. دولومیتی‌شدن تخریبی بافت و همچنین انحلال کیفیت مخزنی نمونه را بهبود داده‌اند. نمونه‌های (a) و (b) نمایندگان خوبی از زون‌های 1 و 2 تعیین‌شده بر‎‍اساس تحلیل نگارند. نمونۀ 3 (شکل 8c)، منافذ بین‌بلوری و ریزحفره‌ دارد. اندازۀ میانگین قطر گلوگاه‌ها پایین است؛ اما کارایی در مناطق کمتر سیمانی‌شده بالاست. این ساختار پیچیده که با اثر ترکیبی دولومیتی‌شدن تخریب‌کنندۀ بافت و انحلال ایجاد شده است، کیفیت مخزنی را در این زون بهبود داده است. تخلخل این نمونه متوسط تا بالاست؛ اما تراوایی به‎‍طور مؤثری بالاست (23/122 میلی‌دارسی). این نمونه نمایندۀ خوبی از زون 3 و از تحلیل خوشه‌ای نگار‌ها به دست آمده است. ریزحفره‌ها و همچنین نوع انحلال به‎‍وسیلۀ دولومیتی‌شدن تخریب‌کنندۀ بافت به هم متصل شده‌اند. نمونۀ 4 (شکل 8d) از سنگ‎‍آهک با قالب‌ها و واگ‌های بسیار بزرگ، محصور در ماتریس متراکم تشکیل شده است. تخلخل اولیۀ باقی‌مانده حضور دارد (پیکان). مسیرهای تراوایی به‎‍دلیل حضور ریزتخلخل‌های حاصل دولومیتی‌شدن، که اتصال قالب‌ها را ممکن می‌کنند، ایجاد شده‌اند (به تصویر پراکندۀ برگشتی توجه کنید). نتیجۀ چنین شبکه‌ای این است که تخلخل بالا و تراوایی کم تا متوسط وجود دارد. این نمونه نمایندۀ خوبی از انحلال انتخابی بافت در میدان‎‍ مطالعه‎‍شده است که فاقد دولومیتی‌شدن تخریب‌کنندۀ بافت است و به‌ سهم خود نمایندۀ زون 4 است. مسدودشدن گلوگاه منافذ با انیدریت نیز، همین اثر را خواهد داشت

 

نتیجه‌

کربنات‌های پرمین - تریاس در میدان‎‍ مطالعه‎‍شده، دارای تاریخچۀ دیاژنزی پیچیده‌ای‎‍اند که شامل فرایندهای دریایی، جوی و دفنی است. تغییرات مختلف رخساره‌ای و دیاژنز گسترده، ناهمگونی پیچیده‌ای را درون این فاصله‌ها ایجاد و ارزیابی ویژگی‌های مخزنی آنها را دشوار می‎‍کند. در این پژوهش، از تحلیل خوشه‌ای برای تعیین واحدهای پتروفیزیکی ناشی از دیاژنز، بر‎‍اساس انواع و حجم تخلخل استفاده شده است. به‌منظور ایجاد روابط کمی بین نوع و یا حجم تخلخل و ویژگی‌های مخزنی، فضای منفذی نمونه‌ها با داده‌های پتروگرافی، میکروسکوپ الکترونی و داده‌های آزمایش تزریق جیوه،‎‍ بررسی شد.

واحدهای K2 و K4 بهترین مخازن در سازندهای‎‍ مطالعه‎‍شده‎‍اند‎‍ و دارای بالاترین میانگین تخلخل و تراوایی‎‍اند. با توجه به اینکه دیاژنز، ویژگی‌هایی نظیر سنگ‌شناسی و تخلخل را تغییر می‌دهد، ترکیب مناسب نگار‌ها باید به ایجاد زون‌ها‎‍ منجر شود. در اینجا، خوشه‌بندی داده‌های نگار (NPHI، [31]RHOB، Sonic و PEF) به شناسایی زون‌های مختلف منجر شد. بر‎‍اساس این الگوریتم، پنج زون شناسایی شده است. این زون‌ها به‎‍دلیل انواع و حجم تخلخل متفاوت، کیفیت مخزنی متفاوتی دارند؛ در حالی که دولومیتی‌شدن، ویژگی‌های مخزنی را در واحدهای بالای K2 و پایین K4 بهبود داده است، قسمت پایینی K2 و‎‍ بالایی K4 بیشتر تحت‌ تأثیر انحلال قرار گرفته‌اند. دولومیتی‌شدن تخریبی بافت در بالای K2 و پایین K4، مسیرهای میکرو را برای اتصال تخلخل‌های اولیه ایجاد کرده است. انحلال در قسمت پایین K2 و‎‍ بالای K4، به ایجاد تخلخل‌های متصل منجر شده و بنابراین تراوایی بالایی را فراهم کرده است. در واحدهای K1 و K3، دولومیتی‌شدن و انحلال انتخابی بافت‎‍اند و بنابراین کانالی برای جریان سیال وجود ندارد. این تأثیرات دیاژنزی به ایجاد زون‌هایی با تخلخل بالا-تراوایی پایین (زون 2)، تراوایی بالا-تخلخل پایین (زون 3) و زون غیر مخزنی (زون 5) منجر شده‌اند. همچنین، زون ویژه‌ای با تخلخل و تراوایی بالا (زون 1) وجود دارد که تعداد نقاط، نمونۀ کمی دارد و این زون منطقۀ انتقالی بین بخش پایین K4 با تراوایی بالا و بخش بالای K4 با تخلخل بالاست.

زون‌های به ‌دست ‌آمده با نتایج حاصل از بررسی مقاطع نازک، میکروسکوپ الکترونی و تزریق جیوه مقایسه شدند. این سیستم طبقه‌بندی، ویژگی‌های رسوب‌شناختی و دیاژنزی و ویژگی‌های مرتبط با جریان سیال در سنگ‌ها را بهتر تلفیق می‎‍کند. بر این اساس‎‍ برای هر زون، تخلخل و تراوایی اندازه‌گیری‌شده در نمونه‌های مغزه در مقابل یکدیگر رسم شدند. بررسی توزیع این عوامل در زون‌های مختلف و پارامترهای آماری، نشان می‌دهد که این زون‌ها از‎‍نظر انواع و حجم تخلخل به‎‍طور مؤثری از یکدیگر جدا شده‌اند. توانایی کامپیوترهای شخصی برای اجرای این روش ریاضی، این امکان را به کاربران می‌دهد تا نتایج را در زمان و هزینۀ معقولی به دست آورند. استفاده از فرمول‌های ریاضی آماری، خطاهای احتمالی را به حداقل می‌رساند. مزیت اصلی این تکنیک این است که به مجموعه داده‌های آموزشی پیش از اجرا نیازی ندارد. این روش به‎‍راحتی‎‍ به دیگر میدان‎‍های با ویژگی‌های مختلف گسترش می‎‍یابد؛ زیرا نیازی به آموزش برنامه وجود ندارد. برخلاف روش‌های هوش مصنوعی، مانند شبکۀ عصبی یا منطق فازی، خروجی‌های اولیۀ موجود برای اجرای این روش ضروری نیستند. زون‌هایی با تاریخچۀ دیاژنزی مشابه، انواع و مقادیر تخلخل مشابه،‎‍ دارای ویژگی‌های مشابه در جریان سیال‎‍اند. زون‌های تعیین‌شده برای ایجاد رابطۀ دقیق‌تر بین تخلخل و تراوایی استفاده می‎‍شوند.

 

[1] Velocity Deviation Log

[2] Self Organizing Maps / SOM

[3] Flow Zone Indicator: FZI

[4] Stratigraphic modified Lorenz Plot: SMLP

[5] Electrical Facies

[6] Multi-resolution Graph-based Clustering

[7] Effective Porosity / PHIE

[8] Effective Water Saturation / SWE

[9] Pay Zone

[10] MATLAB

[11] Hierarchical clustering

[12] NPHI

[13] RHOB

[14] Photoelectric Factor

[15] DT

[16] Vp_measured

[17] Wyllie time-average equation

[18] Vp_predicted

[19] Flowchart

[20] Passive Margin

[21] Isopach rim cement

[22] Bladed

[23] Leeward shoal

[24] Seaward barrier shoal

[25] Mud clast

[26] Transgressive lag deposit

[27] Neutron Porosity (Hydrogen Index) / NPHI

[28] Pore-throat size distribution

[29] Secondary

[30] Backscatter

[31] Formation bulk density

References

Abbas M. A. Al-Mudhafar W. J. Anees A. and Wood D. A. 2024. Integrating petrophysical data into efficient iterative cluster analysis for electrofacies identification in clastic reservoirs. Energy Geoscience, 5(4): 100341. https://doi.org/10.1016/J.ENGEOS.2024.100341
Abdideh M. and Ameri A. 2020. Cluster analysis of petrophysical and geological parameters for separating the electrofacies of a gas carbonate reservoir sequence. Natural Resources Research, 29(3): 1843–1856. https://doi.org/10.1007/s11053-019-09533-1
Abdolmaleki J. Tavakoli V. and Asadi-Eskandar A. 2016. Sedimentological and diagenetic controls on reservoir properties in the Permian–Triassic successions of Western Persian Gulf, southern Iran. Journal of Petroleum Science and Engineering, 141: 90–113. https://doi.org/10.1016/j.petrol.2016.01.020
Abid I. and Hesse R. 2007. Illitizing fluids as precursors of hydrocarbon migration along transfer and boundary faults of the Jeanne d’Arc Basin offshore Newfoundland, Canada. Marine and Petroleum Geology, 24(4): 237–245. https://doi.org/10.1016/j.marpetgeo.2006.02.008
Ali N. Chen J. Fu X. Hussain W. Ali M. Iqbal S M. Anees A. Hussain M. Rashid M. and Thanh H V. 2023. Classification of reservoir quality using unsupervised machine learning and cluster analysis: Example from Kadanwari gas field, SE Pakistan. Geosystems and Geoenvironment, 2(1): 100123. https://doi.org/10.1016/J.GEOGEO.2022.100123
Alipour Shahsavari M. Memarian H. Tokhmchi B. and Sadigh S. 2017. Reservoir rock type identification using gustafson kessel algorithm and LOLIMOT Estimator. Journal of Petroleum Research, 26(95–5): 184–196. https://doi.org/10.22078/pr.2017.687
Anselmetti F. S. and Eberli G P. 1999. The velocity-deviation log: A tool to predict pore type and permeability trends in carbonate drill holes from sonic and porosity or density logs. AAPG Bulletin, 83(3): 450–466. https://doi.org/10.1306/00AA9BCE-1730-11D7-8645000102C1865D
Bagheri H. and Rahimi Bahar A. A. 2015. Using log clustering to zone Fahliyan Limestone Formation reservoir in one of Iran southwest reservoirs. Journal of Petroleum Research, 25(82): 45–55. https://doi.org/10.22078/pr.2015.515
Baron M. Parnell J. Mark D. Carr A. Przyjalgowski M. and Feely M. 2008. Evolution of hydrocarbon migration style in a fractured reservoir deduced from fluid inclusion data, Clair Field, west of Shetland, UK. Marine and Petroleum Geology, 25(2): 153–172. https://doi.org/10.1016/j.marpetgeo.2007.05.010
Berberian M. and King G. C. P. 1981. Towards a paleogeography and tectonic evolution of Iran. Canadian Journal of Earth Sciences, 18(2): 210–265. https://doi.org/10.1139/e81-019
Campos Alvarez N. O. and Roser B. P. 2007. Geochemistry of black shales from the Lower Cretaceous Paja Formation, Eastern Cordillera, Colombia: Source weathering, provenance, and tectonic setting. Journal of South American Earth Sciences, 23(4): 271–289. https://doi.org/10.1016/J.JSAMES.2007.02.003
Cerepi A. Barde J. P. and Labat N. 2003. High-resolution characterization and integrated study of a reservoir formation: the danian carbonate platform in the Aquitaine Basin (France). Marine and Petroleum Geology, 20(10): 1161–1183. https://doi.org/10.1016/J.MARPETGEO.2003.09.005
Descalzi C. Riognoni A. and Cigni M. 1988. Synergetic log and core data treatment through cluster analysis: A methodology to improve reservoir description. Society of Petroleum Engineers of AIME, (Paper) SPE, 913-920 17637. https://doi.org/10.2118/17637-MS
Dickson J. A. D. 1966. Carbonate identification and genesis as revealed by staining. Journal of Sedimentary Research, 36(2): 491–505. https://doi.org/10.1306/74D714F6-2B21-11D7-8648000102C1865D
Dumay J. and Fournier F. 1988. Multivariate statistical analyses applied to seismic facies recognition. Geophysics, 53(9): 1151–1159. https://doi.org/10.1190/1.1442554
Ehrenberg S. N. 2006. Porosity destruction in carbonate platforms. Journal of Petroleum Geology, 29(1): 41–52. https://doi.org/10.1111/j.1747-5457.2006.00041.x
El Sharawy M. S. and Gaafar G. R. 2016. Reservoir zonation based on statistical analyses: A case study of the Nubian Sandstone, Gulf of Suez, Egypt. Journal of African Earth Sciences, 124: 199–210. https://doi.org/10.1016/j.jafrearsci.2016.09.021
Elias A. R. D. De Ros L. F. Mizusaki A. M. P. and Anjos S. M. C. 2004. Diagenetic patterns in eolian/coastal sabkha reservoirs of the Solimões Basin, Northern Brazil. Sedimentary Geology, 169(3–4): 191–217. https://doi.org/10.1016/j.sedgeo.2004.06.001
Enayati-Bidgoli A. H. and Rahimpour-Bonab H. 2016. A geological based reservoir zonation scheme in a sequence stratigraphic framework: A case study from the Permo–Triassic gas reservoirs, Offshore Iran. Marine and Petroleum Geology, 73(36–58). https://doi.org/10.1016/J.MARPETGEO.2016.02.016
Faiz M. Saghafi A. Sherwood N. and Wang I. 2007. The influence of petrological properties and burial history on coal seam methane reservoir characterisation, Sydney Basin, Australia. International Journal of Coal Geology, 70(1): 193–208. https://doi.org/10.1016/j.coal.2006.02.012
Flügel E. 2010. Microfacies of Carbonate Rocks: Analysis, Interpretation and Application. Springer Science & Business Media, 976 p. https://doi.org/10.1007/978-3-642-03796-2
Gill D. Shomrony A. and Fligelman H. 1993. Numerical zonation of log suites and logfacies recognition by multivariate clustering. AAPG Bulletin, 77(10): 1781–1791. https://doi.org/10.1306/BDFF8F38-1718-11D7-8645000102C1865D
Gupta A. Sharma H. and Akhtar A. 2021. A Comparative analysis of K-means and hierarchical clustering. EPRA International Journal of Multidisciplinary Research (IJMR), 7(8): 1. https://doi.org/10.36713/epra2013.
Heo J-H. Kho Y W. Shin H. Kim S. and Kim T. 2008. Regression equations of probability plot correlation coefficient test statistics from several probability distributions. Journal of Hydrology, 355(1): 1–15. https://doi.org/10.1016/j.jhydrol.2008.01.027
Hussain S. Cui L. Hussain W. Ali N. and Gao Y. 2025. Integrating geophysical logs for reservoir assessment of Paleocene reservoir, Manzalai Gas Field, Kohat Basin, Pakistan. Carbonates and Evaporites, 40(73). https://doi.org/10.1007/s13146-025-01107-y
James G. A. and Wynd J. G. 1965. Stratigraphic Nomenclature of Iranian Oil Consortium Agreement Area. AAPG Bulletin, 49(12): 2182–2245. https://doi.org/10.1306/A663388A-16C0-11D7-8645000102C1865D
Jankowsky W. 1970. Empirical investigation of some factors affecting elastic wave velocities in carbonate rocks: Geophysical Prospecting, 18(1): 103–118. https://doi.org/10.1111/j.1365-2478.1970.tb02098.x
Katz A. J. 1986. Quantitative prediction of permeability in porous rock. Physical Review B, 34(11): 8179–8181. https://doi.org/10.1103/PhysRevB.34.8179
Kaushik M. and Mathur B. 2014. Comparative study of K-means and hierarchical clustering techniques. International Journal of Software and Hardware Research in Engineering, 2: 93–98.
Kaveh-Ahangar S. Nozaem R. and Tavakoli V. 2023. The effects of planar structures on reservoir quality of Triassic Kangan Formation in the central Persian Gulf, an integrated approach. Journal of African Earth Sciences, 197, art. no. 104764. https://doi.org/10.1016/j.jafrearsci.2022.104764
Kiani A. Saberi M. H. Nejad B. Z. Mehmandosti E. A. and Rahmani N. 2021. Reservoir zonation based on petrographic and petrophysical data (Case study: Upper part of Sarvak Formation in an oilfield in Abadan Plain, SW Iran). Journal of Analytical and Numerical Methods in Mining Engineering, 11(28): 51–69. https://doi.org/10.22034/ANM.2021.2130
Lucia F. J. 1995. Rock-fabric/petrophysical classification of carbonate pore space for reservoir characterization. AAPG Bulletin, 79(9): 1275–1300. https://doi.org/10.1306/7834D4A4-1721-11D7-8645000102C1865D
Lucia F. J. 2007. Carbonate Reservoir Characterization: An Integrated Approach. Springer Science & Business Media. Springer, 336p. https://doi.org/10.1007/978-3-540-72742-2
Mccreesh C. A. Ehrlich R. and Crabtree S. J. 1991. Petrography and reservoir physics II: Relating thin section porosity to capillary pressure, the association between pore types and throat size. AAPG Bulletin, 75(10): 1563–1578. https://doi.org/10.1306/0C9B2993-1710-11D7-8645000102C1865D
Mehrabi H. Mansouri M. Rahimpour-Bonab H. Tavakoli V. and Hassanzadeh M. 2016. Chemical compaction features as potential barriers in the Permian-Triassic reservoirs of Southern Iran. Journal of Petroleum Science and Engineering, 145: 95–113. https://doi.org/10.1016/j.petrol.2016.03.020
Meng K. He S. Bao H. Meng X. Zhao T. Cao B. Luo X. Johnson L. and Yu H. 2025. Identification of shale lithofacies by well logs based on clustering algorithms. Acta Geophysica, 104760. https://doi.org/10.1007/s11600-024-01523-z
Moore C. H. 2001. Carbonate Reservoirs: Porosity Evolution and Diagenesis in a Sequence Stratigraphic Framework. Elsevie, 392p.
Mousavi S. A. Salehi M. A. Vaziri-Moghaddam H. Shabafrooz R. and Ghanavati K. 2023. Reservoir quality evaluation of the Asmari Formation by integrating diagenesis and different rock typing methods in Mansurabad Oilfield. Journal of Petroleum Research, 33(1402–5): 63–80. https://doi.org/10.22078/pr.2023.5146.3285
Pittman E. D. 1992. Relationship of porosity and permeability to various parameters derived from mercury injection-capillary pressure curves for sandstone. AAPG Bulletin, 76(2): 191–198. https://doi.org/10.1306/BDFF87A4-1718-11D7-8645000102C1865D
Salehi M. A. Kazem Shiroudi S. Moussavi Harami S. R. Ghafouri M. and Lashkari Pour G. 2015. Integrated petrophysical rock typing approaches for the Upper Surmeh Formation in an oil field in the central Persian Gulf. Journal of Petroleum Research, 25(84): 72–87. https://doi.org/10.22078/pr.2015.550
Sharland P. Archer R. Casey D. Davies R. Hall S. H. Heward A. Horbury A. and Simmons M. 2001. Arabian Plate Sequence Stratigraphy (GeoArabia Special Publication 2). Gulf Petrolink, 371p.
Stampfli G. M. and Borel G. D. 2002. A plate tectonic model for the Paleozoic and Mesozoic constrained by dynamic plate boundaries and restored synthetic oceanic isochrons. Earth and Planetary Science Letters, 196(1): 17–33. https://doi.org/10.1016/S0012-821X(01)00588-X
Stentoft N. Lapinskas P. and Musteikis P. 2003. Diagenesis of Silurian reefal carbonates, Kudirka oilfield, Lithuania. Journal of Petroleum Geology, 26(4): 381–402. https://doi.org/10.1111/j.1747-5457.2003.tb00035.x
Swanson R. G. 1981. Sample Examination Manual. American Association of Petroleum Geologists, 118p.
Tavakoli V. Rahimpour-Bonab H. and Esrafili-Dizaji B. 2011. Diagenetic controlled reservoir quality of South Pars gas field, an integrated approach. Comptes Rendus Geoscience, 343(1): 55–71. https://doi.org/10.1016/J.CRTE.2010.10.004
Tavakoli V. 2016. Ocean chemistry revealed by mineralogical and geochemical evidence at the Permian–Triassic mass extinction, offshore the Persian Gulf, Iran. Acta Geologica Sinica (English Edition), 90(5): 1852–1864. https://doi.org/10.1111/1755-6724.12821
Tucker M. E. and Bathurst R. G. C. 1990. Carbonate Diagenesis. Oxford, Blackwell Scientific Publications, 482p. https://doi.org/10.1017/S001675680001846X
Tucker M. E. and Wright V. P. 1990. Carbonate Sedimentology. John Wiley & Sons, 482p. https://doi.org/10.1002/9781444314175
Wallace M. W. Holdgate G. R. Daniels J. Gallagher S. J. and Smith A. 2002. Sonic velocity, submarine canyons, and burial diagenesis in Oligocene-Holocene cool-water carbonates, Gippsland Basin, Southeast Australia. AAPG Bulletin, 86(9): 1593–1607. https://doi.org/10.1306/61EEDD14-173E-11D7-8645000102C1865D
Wang R. Wang Z. Osumanu A. Zhang G. Li B. and Lu Y. 2019. Grid density overlapping hierarchical algorithm for clustering of carbonate reservoir rock types: A case from Mishrif Formation of west Qurna-1 oilfield, Iraq. Journal of Petroleum Science and Engineering, 182: 106209. https://doi.org/10.1016/J.PETROL.2019.106209
Warren J. 2000. Dolomite: occurrence, evolution and economically important associations: Earth-Science Reviews, 52(1): 1–81. https://doi.org/10.1016/S0012-8252(00)00022-2
Xu D. and Tian Y. 2015. A comprehensive survey of clustering algorithms: Annals of Data Science, 2(2): 165–193. https://doi.org/10.1007/s40745-015-0040-1
Ye S.-J. and Rabiller P. 2000. A new tool for electro-facies analysis: Multi-resolution graph-based clustering. SPWLA 41st Annual Logging Symposium, Dallas, Texas, USA, June 4–7. https://doi.org/10.2118
Journal of Stratigraphy and Sedimentology Researches

Articles in Press, Corrected Proof
Available Online from 31 August 2025

Files

Share

How to cite

Statistics