معرفی الگوریتمی جدید مبتنی بر پردازش تصویر جهت بهبود شبیه‌سازی‌ شرطی در زمین‌آمار چندنقطه‌ای الگو پایه

STUDENT

DEGREE

YEAR

Multiple-point statistics (MPS) algorithms utilizes the conceptual 2D or 3D model containing major spatial variation of reservoir parameters, called training image, through a branch of introduced approaches to map complex heterogeneity even more realistically in comparing to traditional variogram based algorithms. Present-day MPS pattern-based algorithms, despite the differences in their approaches, totally are common in theory of implementation the conditional simulation. This commonness is associated with this fact that these algorithms try to find the best matching training pattern with previously simulated patterns and, in the same time, being perfectly consistent to the hard (or soft) conditioning data. However, there is no guarantee that such training pattern could have been even captured by a specified search template, prior to simulation. That is, the number of training patterns produced by any search template size is always finiteness, while the data events formed during simulation could have any unexpected configurations regarding the spatial location of conditioning hard data. As a total revising of conditional simulation procedure, in this study, a new methodology is proposed through which the conditional simulation can be fulfilled via two step-implementation: 1-generating an unconditional realization confirming appropriate reproduction of training image patterns in simulation grid, 2- conditioning to hard data using a novel method, known as Self-Adjusting Pattern Conditioning (SAPC) algorithm; causing unconditionally simulated structures be self-adjusting to its corresponding homogenous hard data and post-processing the final results. Integrating all these steps into one totalized workflow results in final form of proposed conditional pattern-based simulation algortihm. This proposed algorithm, along with SENSIM and FILTERSIM algorithms, were run upon training images constituting variety of patterns (linear to curvilinear) and object-wise alongside medium to high spatially dense pixel-wise hard data. Along with mentioned data set, all mentioned algorithms were individually implemented on fracture data of one of Iranian oilfields to model fracture network patterns in 2D. Results approved that the proposed algorithm, compared to SNESIM and FILTERSIM ones, has superiority in pattern reproduction as well as hard data conditioning even when training image is not adequately informative. Proposed algorithm occupies RAM and CPU capacities by amounts comparable with FILTERSIM, however, it speeds up conditional simulation implementation by a factor of 1.5.

تخمین هر چه دقیق‌تر ذخیره‌ی برجای مخازن تحت شرایط بیشترین انطباق ممکن با واقعیت‌های زمین‌شناسی موجود، موضوعی‌ است که روش‌های زمین‌آمار چندنقطه‌ای برای دستیابی به آن توسعه یافته اند. قدرت الگوریتم‌های چندنقطه‌ای به توانایی استفاده‌ی آن‌ها از تصویر آموزشی به‌جای واریوگرام، و چندین نوع داده به‌طور همزمان در تخمین مقدار مجهول یک پارامتر در یک موقعیت معلوم برمی‌گردد. بااین‌حال، افزایش سرعت اجرای شبیه‌سازی‌ها، کاهش استفاده از RAM و CPU، سادگی مفاهیم پایه و از همه مهم‌تر افزایش دقت در بازتولید الگوهای زمین‌شناسی موجود در تصویر آموزشی، اهم انگیزه‌های مطرح برای ارتقا یا معرفی الگوریتم‌های جدیدتر بعد از اولین الگوریتم ارائه‌شده توسط استریبل به نام SNESIM بوده است. غالب الگوریتم‌های معرفی‌شده بر پایه‌ی شباهت سنجی مداوم مابین الگوهای تصویر آموزشی و پیشامد داده و انتخاب مناسب‌ترین الگو در حین شبیه‌سازی است. ازجمله دست آورد‌های این انگیزش، معرفی اولین الگوریتم‌های مبتنی بر قیاس الگو به الگو SIMPAT و بعدازآن FILTERSIM بود. روند بهبود الگوریتم‌های ارائه‌شده در مقالات منتشره تاکنون، با استفاده از مفاهیم پردازش تصویر (توزیع فاصله سنجی الگوها، همبستگی، آنالیز موجک و همانند آن‌ها) ادامه داشته است. نکته‌ی مشترک الگوریتم‌های ارائه‌شده، تکیه‌ی آن‌ها بر پیدا کردن الگویی مناسب جهت انطباق هم‌زمان با داده‌های سخت و پیشامد داده می‌باشد. این در حالی است که اساساً الگوهای استخراج‌شده از تصویر آموزشی ممکن است حاوی تمامی الگوهای مناسب جهت ارضای شروط مذکور نباشند. این امر موجب کاهش کیفیت شبیه‌سازی‌ها خواهد شد، که رفع آن، نیازمند به‌کارگیری روش‌های کمکی بیشتری است. هدف اصلی این تحقیق ارائه‌ی الگوریتمی است که ضمن ارائه تحقق‌های باکیفیت از حیث بازتولید الگوهای تصویر آموزشی در حالت شبیه‌سازی غیرشرطی، تولید تحقق‌ها در حالت شرطی را با کسب اطمینان از شرطی‌سازی مناسب الگوها با داده‌های سخت و نرم مهیا کند، صرف‌نظر از این‌که تصویر (تصاویر) آموزشی طراحی‌شده تحت روبش یک پنجره جستجو، الگوی آموزشی مناسب را تولید کرده باشد یا خیر. بدین منظور، الگوریتم شبیه‌سازی غیرشرطی با استفاده از عملگرهای پایه‌ای ریخت شناسی طراحی و بر روی نمونه‌های متعددی تصویر آموزشی استاندارد اجرا و نتایج با الگوریتم‌های صنعتی مبتنی بر زمین آمار چندنقطه ای مقایسه گردید. این مقایسه نشان می‌دهد که الگوریتم پیشنهادی توانایی رفع کامل ناپیوستگی‌های ساختاری در شبیه‌سازی غیرشرطی را دارا است. در ادامه، الگوریتم خود تطبیقی الگوها با تکیه‌بر مفاهیم پردازش همچون عملگرهای ریخت‌شناسی تصویر پیاده‌سازی و اجرا شد. نتایج شبیه‌سازی حصول شرطی‌سازی مناسب ساختارهای آموزشی با داده‌های معلوم را بیان‌گر است. در انتها، الگوریتم شبیه‌سازی شرطی پیشنهادی شامل الگوریتم‌های شبیه‌سازی غیرشرطی و الگوریتم خودتطبیقی به‌صورت یک‌پارچه از مرحله‌ی دریافت داده‌های ورودی تا تولید یک تحقق شرطی معرفی گردید. به طور‌کلی، تولید یک تحقق از الگوریتم مذکور ضمن حفظ پیوستگی و بازتولید مناسب الگوهای آموزشی، شرطی‌سازی آن‌ها را نیز با داده‌های سخت مطابق با معیارهای سنجش کیفی همچون مقایسه‌ی برای نمونه‌های متعدد از داده‌های مصنوعی بصری الگوهای شبیه‌سازی شده با الگوهای موجود در تصویر آموزشی و معیارهای کمّی همانند محاسبه‌ی تعداد نقاط پایانی در کنار مقایسه‌ی نمودار فراوانی تحقق‌های حاصل نسبت به نمودار فراوانی داده‌های ورودی، درقیاس با الگوریتم‌های چندنقطه‌ای پیشین، به طور‌قابل قبولی انجام می‌رساند. در نهایت، این عملکرد با آزمودن آن طی استفاده از داده‌های واقعی مرتبط با شبکه‌ی شکستگی در سازند سروک یکی از مخازن نفتی جنوب برطبق معیارهای کمّی و کیفی مذکور مورد تأیید قرار گرفت.