SUPERVISOR
Nader Fathianpour,Mortaza Tabaei
نادر فتحيان پور (استاد راهنما) مرتضي طبايي (استاد راهنما)
STUDENT
HAMED NADERI
حامد نادري
FACULTY - DEPARTMENT
دانشکده معدن
DEGREE
Doctor of Philosophy (PhD)
YEAR
1392
TITLE
New Multiple-Point Pattern-based algorithm based on Morphological Image Processsing Concept to Improve Conditional Simulation
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.
تخمين هر چه دقيق‌تر ذخيره‌ي برجاي مخازن تحت شرايط بيشترين انطباق ممکن با واقعيت‌هاي زمين‌شناسي موجود، موضوعي است که روش‌هاي زمين‌آمار چندنقطه‌اي براي دستيابي به آن توسعه يافته اند. قدرت الگوريتم‌هاي چندنقطه‌اي به توانايي استفاده‌ي آن‌ها از تصوير آموزشي به‌جاي واريوگرام، و چندين نوع داده به‌طور همزمان در تخمين مقدار مجهول يک پارامتر در يک موقعيت معلوم برمي‌گردد. بااين‌حال، افزايش سرعت اجراي شبيه‌سازي‌ها، کاهش استفاده از RAM و CPU، سادگي مفاهيم پايه و از همه مهم‌تر افزايش دقت در بازتوليد الگوهاي زمين‌شناسي موجود در تصوير آموزشي، اهم انگيزه‌هاي مطرح براي ارتقا يا معرفي الگوريتم‌هاي جديدتر بعد از اولين الگوريتم ارائه‌شده توسط استريبل به نام SNESIM بوده است. غالب الگوريتم‌هاي معرفي‌شده بر پايه‌ي شباهت سنجي مداوم مابين الگوهاي تصوير آموزشي و پيشامد داده و انتخاب مناسب‌ترين الگو در حين شبيه‌سازي است. ازجمله دست آورد‌هاي اين انگيزش، معرفي اولين الگوريتم‌هاي مبتني بر قياس الگو به الگو SIMPAT و بعدازآن FILTERSIM بود. روند بهبود الگوريتم‌هاي ارائه‌شده در مقالات منتشره تاکنون، با استفاده از مفاهيم پردازش تصوير (توزيع فاصله سنجي الگوها، همبستگي، آناليز موجک و همانند آن‌ها) ادامه داشته است. نکته‌ي مشترک الگوريتم‌هاي ارائه‌شده، تکيه‌ي آن‌ها بر پيدا کردن الگويي مناسب جهت انطباق همزمان با داده‌هاي سخت و پيشامد داده مي‌باشد. اين در حالي است که اساساً الگوهاي استخراج‌شده از تصوير آموزشي ممکن است حاوي تمامي الگوهاي مناسب جهت ارضاي شروط مذکور نباشند. اين امر موجب کاهش کيفيت شبيه‌سازي‌ها خواهد شد، که رفع آن، نيازمند به‌کارگيري روش‌هاي کمکي بيشتري است. هدف اصلي اين تحقيق ارائه‌ي الگوريتمي است که ضمن ارائه تحقق‌هاي باکيفيت از حيث بازتوليد الگوهاي تصوير آموزشي در حالت شبيه‌سازي غيرشرطي، توليد تحقق‌ها در حالت شرطي را با کسب اطمينان از شرطي‌سازي مناسب الگوها با داده‌هاي سخت و نرم مهيا کند، صرف‌نظر از اين‌که تصوير (تصاوير) آموزشي طراحي‌شده تحت روبش يک پنجره جستجو، الگوي آموزشي مناسب را توليد کرده باشد يا خير. بدين منظور، الگوريتم شبيه‌سازي غيرشرطي با استفاده از عملگرهاي پايه‌اي ريخت شناسي طراحي و بر روي نمونه‌هاي متعددي تصوير آموزشي استاندارد اجرا و نتايج با الگوريتم‌هاي صنعتي مبتني بر زمين آمار چندنقطه اي مقايسه گرديد. اين مقايسه نشان مي‌دهد که الگوريتم پيشنهادي توانايي رفع کامل ناپيوستگي‌هاي ساختاري در شبيه‌سازي غيرشرطي را دارا است. در ادامه، الگوريتم خود تطبيقي الگوها با تکيه‌بر مفاهيم پردازش همچون عملگرهاي ريخت‌شناسي تصوير پياده‌سازي و اجرا شد. نتايج شبيه‌سازي حصول شرطي‌سازي مناسب ساختارهاي آموزشي با داده‌هاي معلوم را بيان‌گر است. در انتها، الگوريتم شبيه‌سازي شرطي پيشنهادي شامل الگوريتم‌هاي شبيه‌سازي غيرشرطي و الگوريتم خودتطبيقي به‌صورت يک‌پارچه از مرحله‌ي دريافت داده‌هاي ورودي تا توليد يک تحقق شرطي معرفي گرديد. به طور‌کلي، توليد يک تحقق از الگوريتم مذکور ضمن حفظ پيوستگي و بازتوليد مناسب الگوهاي آموزشي، شرطي‌سازي آن‌ها را نيز با داده‌هاي سخت مطابق با معيارهاي سنجش کيفي همچون مقايسه‌ي براي نمونه‌هاي متعدد از داده‌هاي مصنوعي بصري الگوهاي شبيه‌سازي شده با الگوهاي موجود در تصوير آموزشي و معيارهاي کمّي همانند محاسبه‌ي تعداد نقاط پاياني در کنار مقايسه‌ي نمودار فراواني تحقق‌هاي حاصل نسبت به نمودار فراواني داده‌هاي ورودي، درقياس با الگوريتم‌هاي چندنقطه‌اي پيشين، به طور‌قابل قبولي انجام مي‌رساند. در نهايت، اين عملکرد با آزمودن آن طي استفاده از داده‌هاي واقعي مرتبط با شبکه‌ي شکستگي در سازند سروک يکي از مخازن نفتي جنوب برطبق معيارهاي کمّي و کيفي مذکور مورد تأييد قرار گرفت.