پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,532 |
| تعداد مقالات | 70,501 |
| تعداد مشاهده مقاله | 124,115,966 |
| تعداد دریافت فایل اصل مقاله | 97,220,426 |
تخمین شاخص شکنندگی با استفاده از وارون‌سازی پس از برانبارش داده‌های لرزهای با مثالی از حوضة پرت واقع در استرالیای غربی | ||
| فیزیک زمین و فضا | ||
| مقاله 4، دوره 46، شماره 3، آبان 1399، صفحه 457-471 اصل مقاله (1.44 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jesphys.2020.295601.1007188 | ||
| نویسندگان | ||
| مسعود سراج‌امانی1؛ رامین نیکروز* 2؛ علی کدخدائی3 | ||
| 1دانشجوی کارشناسی ارشد، گروه زمین شناسی، دانشکده علوم، دانشگاه ارومیه، ارومیه، ایران | ||
| 2دانشیار، گروه زمین شناسی، دانشکده علوم، دانشگاه ارومیه، ارومیه، ایران | ||
| 3دانشیار، گروه زمین شناسی، دانشکده علوم طبیعی، دانشگاه تبریز، تبریز، ایران | ||
| چکیده | ||
| شکنندگی یکی از مهم‌ترین خصوصیات سنگ میباشد. تاکنون روشی مستقیم و استاندارد برای به‌دست آوردن شاخص شکنندگی ارائه نشده است. از شاخص شکنندگی بر اساس پارامترهای مقاومت فشارشی تک‌محوره و مقاومت کششی جهت ارزیابی شکنندگی استفاده میشود. هدف از این مطالعه بررسی مفاهیم شکنندگی ارائه‌شده توسط محققین و استفاده از روش وارون‌سازی لرزهای، آنالیز چندنشانگری و شبکة عصبی در میدان ویچررنج (Whicher-Range) واقع در حوضة پرت (Perth Basin) استرالیای غربی میباشد. به این منظور دو چاه و یک مقطع لرزهای از میدان ویچررنج مورداستفاده قرار گرفت. کمترین شاخص شکنندگی در چاه اول و دوم که با فاصله 1 کیلومتری از هم حفاری شدند، به‌ترتیب با استفاده از مفهوم برابر 69/1 و 67/1 مگاپاسکال که بیانگر شکنندگی کم و بیشترین مقدار آن برابر 78/39 و 15/48 مگاپاسکال که بیانگر شکنندگی زیاد و از نظر حفاری در رتبة حفاری بسیار سخت میباشد. در مرحلة بعد با استفاده از استخراج موجک و رسم مدل زمین‌شناسی، مدل‌سازی اولیه انجام و سپس امپدانس صوتی حاصل از فرایند وارون‌سازی در کنار دیگر نشانگرها در راستای ساخت ترکیب بهینه از نشانگرها جهت تخمین شاخص شکنندگی استفاده شد. از سه نوع الگوریتم شبکة عصبی جهت تخمین پارامتر هدف از ترکیب بهینه نشانگرهای موجود استفاده میشود که به‌کمک نرم‌افزار همپسون–راسل و نشانگرهای بهینهای، الگوریتم شبکة عصبی تهیه و در نهایت آنالیز چند نشانگری با سه الگوریتم شبکة عصبی مقایسه میشود و نتایج بیانگر ضریب همبستگی بیشتر شبکة عصبی احتمالی نسبت به آنالیز چند نشانگری جهت تعیین شاخص شکنندگی است. | ||
| کلیدواژه‌ها | ||
| شاخص شکنندگی؛ مقاومت فشارشی؛ وارون‌سازی؛ نشانگرهای لرزهای؛ شبکة عصبی؛ پرت استرالیا | ||
| عنوان مقاله [English] | ||
| Estimation of Brittleness Index Using Post-Stack Inversion of Seismic Data: Example from Perth Basin in Western Australia | ||
| نویسندگان [English] | ||
| Masoud Serajamani1؛ Ramin Nikrouz2؛ Ali Kadkhodaie3 | ||
| 1M.Sc. Student, Department of Geology, Faculty of Science, Urmia University, Urmia, Iran | ||
| 2Associate Professor, Department of Geology, Faculty of Science, Urmia University, Urmia, Iran | ||
| 3Associate Professor, Department of Geology, Faculty of Natural Science, Tabriz University, Tabriz, Iran | ||
| چکیده [English] | ||
| Brittleness is one of the most important properties of the rock. Brittleness is a function of strength and indicates rock strength to deformation in the elastic modules. However, there is no direct and standard method for brittleness measurement but it can be done indirectly by using rock properties such as different ratios of compressive strength and tensile strength of rock to determine the concept of brittleness. The purpose of this study is to investigate the concepts of brittleness which are presented by the researchers and to use seismic inversion, multi-attribute analysis and neural network in the Whicher-Range field in Perth, Western Australia to estimate brittleness. The Perth sedimentary basin stretches about 100,000 square kilometers in the north-south direction of the western Australian margin. About half of this sedimentary basin is located 1 km deep in the sea. Whicher-Range gas field is 22 km south of Baselton and 200 km south of Perth. Two wells and one seismic section of Whicher-Range field are selected in this research. The lowest brittleness indexes in the first and second wells drilled 1 km apart, are 1.69 and 1.67 MPa using criteria. The highest values of the brittleness are 39.78 and 48.15 MPa, respectively, which are difficult for drilling. The starting point of the inversion process is to have post-stack seismic data, velocity model, well logs, and seismic horizons. The product of the density log and sonic velocity is equal to the impedance. Then the current impedance is converted from depth to time using the appropriate depth to time relation. As a result, the convolution of a suitable wavelet and reflectivity over time will produce the synthetic seismic trace. Adaptation rate between synthetic seismic trace and composite field seismic trace yields an acceptable result. Next, the initial modeling is performed using wavelet, geological model, and a model-based algorithm. Next, the acoustic impedance of the inversion process along with other attributes is used to construct the optimal combination of attributes to estimate the brittleness index. First, an attribute is selected that has the highest correlation with the target log and the least estimation error in the training step. Then the second attribute, which makes the best combination with the first attribute, has the lowest estimation error. Then each attribute step is added to its previous step combination until the resulting combination results in the lowest estimation error. The results based on this method are obtained by increasing the number of attributes and decreasing the estimation error, while the error in the validation stage until the optimal attribute combination, is ascending. In the next step, three types of neural network algorithm including probabilistic method, multi-layer feed forward and radial basis function are used to estimate the target parameter, with optimal combination of available attributes and the use of neural network algorithm training from the optimal attributes using the Hampson-Russell software. In the last step, multi-attribute analysis is compared with three neural network algorithms. The results indicate a higher correlation coefficient for probabilistic neural network than that of multi-attribute analysis for determination of the brittleness index. | ||
| کلیدواژه‌ها [English] | ||
| Brittleness Index, Compressive Strength, Inversion, Seismic Attributes, Neural Network, Perth Australia | ||
| مراجع | ||
|
جعفری، م.، 1395، تخمین پارامترهای مخزنی از تلفیق وارون‌سازی لرزهای و تحلیل چند نشانگری با استفاده از شبکة عصبی در یکی از میادین نفتی در جنوب ایران، پایاننامه کارشناسی‌ارشد، دانشگاه ارومیه، ایران. سراج‌امانی، م.، نیکروز، ر. و کدخدائی، ع.، 1398، تخمین پارامترهای مکانیک سنگ با استفاده از نشانگرهای لرزهای و شبکة عصبی در سازند سوء حوضة پرت واقع در استرالیا غربی، اولین همایش ملی پردازش سیگنال و تصویر در ژئوفیزیک، دانشگاه صنعتی شاهرود، ایران. کدخدائی ایلخچی، ر.، 1393، سرشت نمایی مخزنی ماسههای گازی سفت (کم‌تراوا) میدان ویچررنج در حوضة پرت واقع در استرالیای غربی، رساله دکتری، دانشگاه فردوسی مشهد، ایران. کدخدائی ایلخچی، ع.، 1397، ارزیابی سازندهای نفت دار، مؤسسه انتشارات دایره دانش. کدخدائی ایلخچی، ع.، 1388، تخمین پارامترهای ژئوشیمیایی و پتروفیزیکی از نمودارهای چاه‌پیمایی و نشانگرهای لرزهای با استفاده از سیستم‌های هوشمند در میادین هیدروکربنی جنوب ایران، رساله دکتری، دانشگاه تهران، ایران. نیکروز، ر.، ثیاب قدسی، ع.ا. و حسنعلی زاده، پ.، 1396، شناسایی تلههای چینهای سازند سروک با استفاده از لاگهای پتروفیزیکی و نشانگرهای لرزهای در یکی از میادین نفتی جنوب غرب ایران، م. فیزیک زمین و فضا، 1، 53-69. وطن‌خواه، ح.، 1396، بررسی تأثیر شکنندگی بر قابلیت برش نمونههای سنگی، پایاننامه کارشناسی‌ارشد، دانشگاه تربیت مدرس، ایران.
Altindag, R., 2010, Assessment of some brittleness indexes in rock-drilling efficiency. Rock mechanics and rock engineering, 43(3), 361-370. Altindag, R., 2003, Correlation of specific energy with rock brittleness concepts on rock cutting. Journal of the Southern African Institute of Mining and Metallurgy, 103(3), 163-171. Andreev, G. E., 1995, Brittle failure of rock materials: test results and constitutive models, A. A. Balkema/Rotterdam, 446. Crostella, A. and Backhouse, J., 2000, Geology and petroleum exploration of the central and southern Perth Basin, Western Australia (No. 57). Perth, WA: Geological Survey of Western Australia. Draper, N. R. and Smith, H., 1998, Applied regression analysis (Vol. 326). John Wiley & Sons. Göktan, R. M., 1991, Brittleness and micro-scale rock cutting efficiency. Mining Science and Technology, 13(3), 237-241. Hall, P. B. and Kneale, R. L., 1992, Perth Basin rejuvenated. The APPEA Journal, 32(1), 33-43. Hetenyi, M., 1966, Handbook of experimental stress analysis, Wiley, New York, 15. Hucka, V. and Das, B., 1974, October. Brittleness determination of rocks by different methods. In International Journal of Rock Mechanics and Mining Sciences & Geomechanics Abstracts, 11(10), 389-392. Pergamon. Jafari, M., Nikrouz, R. and Kadkhodaie, A., 2017, Estimation of acoustic-impedance model by using model-based seismic inversion on the Ghar Member of Asmari Formation in an oil field in southwestern Iran. The Leading Edge, 36(6), 487-492. Jones, D. O. and Ellis, G., 2000, Atlas of petroleum fields, onshore Perth Basin, Petroleum Division, DMEWA, 1, 122. Lawn, B. R. and Marshall, D. B., 1979, Hardness, toughness, and brittleness: an indentation analysis. Journal of the American ceramic society, 62(7‐8), 347-350. Lindseth, R. O., 1979, Synthetic sonic logs—A process for stratigraphic interpretation. Geophysics, 44(1), 3-26. McNally, G. H., 1987, Estimation of coal measures rock strength using sonic and neutron logs. Geoexploration, 24(4-5), 381-395. Meng, F., Zhou, H., Zhang, C., Xu, R. and Lu, J., 2015, Evaluation methodology of brittleness of rock based on post-peak stress–strain curves. Rock Mechanics and Rock Engineering, 48(5), 1787-1805. Morley, A., 1954, Strength of materials, 11th ed. Longmans, Green, London, 532. Obert, L. and Duvall, W. I., 1967, Rock mechanics and the design of structures in rock (No. BOOK). J. Wiley. Özfırat, M. K., Yenice, H., Şimşir, F. and Yaralı, O., 2016, A new approach to rock brittleness and its usability at prediction of drillability. Journal of African Earth Sciences, 119, 94-101. Ramsay, J. G., 1967, Folding and fracturing of rocks. McGraw Hill Book Company, 568. Russell, B. H., 2004, The application of multivariate statistics and neural networks to the prediction of reservoir parameters using seismic attributes. 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(2), 15-23. Sharifzadeh, A., 2008, Tight gas resources in the Northern Perth Basin, Petroleum W.A Magazine, 41-44. Sharifzadeh, A., 2007, Tight gas resources in Western Australia, Petroleum W.A Magazine, 28-31. Yagiz, S., 2009, Assessment of brittleness using rock strength and density with punch penetration test. Tunnelling and Underground Space Technology, 24(1), 66-74. Yagiz, S. and Gokceoglu, C., 2010, Application of fuzzy inference system and nonlinear regression models for predicting rock brittleness. Expert Systems with Applications, 37(3), 2265-2272. Yilmaz, N. G., Karaca, Z., Goktan, R. M. and Akal, C., 2009, Relative brittleness characterization of some selected granitic building stones: influence of mineral grain size. Construction and Building Materials, 23(1), 370-375. | ||
|
آمار تعداد مشاهده مقاله: 1,337 تعداد دریافت فایل اصل مقاله: 740 |
||