Nghiên cứu, cải thiện kỹ thuật mô hình vỉa nứt nẻ liên tục (CFM), áp dụng cho mỏ của việt nam

Nghiên cứu, cải thiện kỹ thuật mô hình vỉa nứt
nẻ liên tục (CFM), áp dụng cho mỏ của
Việt Nam

Thang Văn Đạt

Trường Đại học Công nghệ
Luận văn ThS. Cơ học kỹ thuật; Mã số: 60 52 01 01
Người hướng dẫn: PGS.TS. Đặng Thế Ba
Năm bảo vệ: 2014

Abstract. Luận văn trình bày nghiên cứu cứu kỹ thuật mô hình nứt nẻ liên tục – CFM xây
dựng đặc trưng nứt nẻ của vỉa nứt nẻ tự nhiên, và các công cụ sử dụng trong kỹ thuật này,
đó là phương pháp học máy mạng thần kinh nhân tạo 4 lớp truyền thẳng, thuật toán xếp
hạng dựa trên các đường cong fuzzy trung bình (mean fuzzy curve).
Dựa trên những kết quả lý thuyết nghiên cứu được, tiến hành xây dựng chương trình máy
tính bằng ngôn ngữ lập trình Fortran và đánh giá chất lượng kết quả của chương trình và
so sánh với phần mềm thương mại Petrel.
Kết quả đánh giá bước đầu, dựa trên ví dụ thử nghiệm chương trình máy tính cho kết quả
tốt và phù hợp hơn so với phần mềm Petrel, từ đó, tiến đầu đánh giá ảnh hưởng các thông
số khoảng cách tới đứt gãy và thông số độ rỗng đối với độ thấm trong mỏ Bạch Hổ, với bộ
dữ liệu hiện tại, kết quả cho thấy thông số độ rỗng tương quan với độ thấm nhiều hơn
thông số khoảng cách tới đứt gãy.

Keywords. Cơ học công trình; Cơ học kỹ thuật; Mỏ; Mô hình vỉa nứt nẻ liên tục

Content.
- Chương 1: Trình bày lý thuyết cơ bản về kỹ thuật mô hình vỉa nứt nẻ liên tục (CFM).
Chương này cung cấp một cái nhìn tổng quát nhất về CFM.
- Chương 2: Trình bày sâu hơn về các công cụ trí tuệ nhân tạo dùng trong CFM, bao gồm
mạng thần kinh nhân tạo và thuật toán xếp hạng các thông số đầu vào, dựa trên mức độ

tương quan của chúng với thông số đầu ra của mô hình.
- Chương 3: Trình bày những module chính và chương trình con chính trong chương trình
máy tính và các sơ đồ khối mô tả khái quát hoạt động của chúng.
- Chương 4: Trình bày một số thử nghiệm chương trình máy tính thông qua dữ liệu có
được từ hai mỏ dầu công nghiệp, đó là mỏ Bạch Hổ của Việt Nam và mỏ Teapot Dome
của Hoa Kỳ. So sánh một số kết quả giữa hai chương trình máy tính tự viết và phần mềm
thương mại Petrel.
- Chương 5: Kết luận, tổng kết những kết quả đã đạt được của luận văn và hướng phát triển
nghiên cứu tiếp theo.
- Phần phụ lục là mã nguồn của chương trình.

References.

1. Abdelkader Kouider El Ouahed, Djebbar Tiab, Amine Mazouzi (2005), Application
of artificial intelligence to characterize naturally fractured zones in Hassi Messaoud
Oil Field, Algeria, Petroleium Science & Engineering, SPE 84870.
2. Andrzej Piegat (2001), Fuzzy Modeling and Control, ISSN 1434-9922, ISBN 978-3-
7908-2486-5, DOI 10.1007/978-3-7908-1824-6.
3. M. C. Cacas, J. M. Daniel and J. Letouzey, Nested geological modelling of naturally
fractured reservoirs, Petroleum Geoscience, Vol. 7 2001, pp. s43-s52
4. Cetin Ozgen, SPE, Nitec LLC, Tuba Firincioglu (2003), Fracture Characterization
for Integrated Studies: A new approach and its applications, SPE 84413
5. Đỗ Cảnh Dương (2004), Giáo Trình Địa Chất Các Mỏ Than và Khí Đốt, Nhà xuất
bản Khoa Học và Kỹ Thuật Hà Nội.
6. D.E. Goldberg (1989), Genetic Algorithm in Search, Optimization and Machine
Learning, Addison Wesley, Reading, MA.
A. Ouenes (2000), Practical application of fuzzy logic and neural networks to
fractured reservoir characterization, Computers & Geosciences 26, pp953-
962.
7. Ouenes (2008), Seismically Driven Characterization, Simulation and Underbalanced

Drilling of Multiple Horizontal Boreholes in a Tight Fractured Quartzite Reservoir:
Application to Sabria Field, Tunisia, SPE North Africa Technical Conference and
Exhibition held in Marrakech Moroco, SPE 112853.
8. Ouenes (2010), Maping Natural Fractures Using 3D Seismic and Well Data:
Application to a Shale Play, Prism Seismic.
9. Creties Jenkins, Ahmed Ouenes, Abdel Zellou, and Jeff Wingard, (2009), Quantifying
and predicting naturally fractured reservoir behavior with continuous fracture
models, AAPG Bulletin, v. 93, no. 11, pp. 1597–1608, DOI: 10.1306/07130909016.
10. Fahlman Scoot E (1988), An Empirical Study of Learning Speed, Carnegie Mellon
University, Computer Science Department, CMU-CS-88-162.
11. Scoot E. Fahlman and Christian Lebiere (1991), The Cascade-Correlation Learning
Architecture, National Science Foundation, CMU-CS-91-100.
12. Fox J.E., Dolton, G.L., and Clayton, J.L (1991), Powder River Basin, Geological
Society of America, P-2, P. 373-390.
13. J. Hertz, A. Krogh, and R.G. Palmer. (1991), Introduction to the Theory of Neural
Computation, New York: Addison-Wesley.
14. Steve Lawrence and C. Lee Giles (2000), Overfitting and Neural Networks:
Conjugate Gradient and Backpropagation, International Joint conference on Neural
Networks, Como, Italy, July 24–27, 114–119, 2000.
15. Mcculloch W.S. and Pitts, W A (1943), Logical Calculus of Ideas Immanent in
Nervous Activity, Bull. Mathematical Biophisics. 5, pp. 115.
16. NAM H. TRAN *, KAREN VALENCIA, KIEN TRAN AND SHEIK S. RAHMAN
(2006), Hybrid Modelling using Neuro Fractal for Fractured Reservoirs, Proceedings
of the 5th WSEAS International Conference on Applied Computer Science,
Hangzhou, China, April 16-18, 2006 (pp826-831).
17. Nguyễn Cát Hồ, Nguyễn Công Hào (2009), Logic Mờ và Ứng Dụng.
18. O.Pinous Abdel M Zellou, Gry Robinson, Ted Royer (2007), Continuous Fracture
Modeling of a Carbonate Reservoir in West Siberia. Society of Petroleum Engineers,
SPE 103284.
19. P.M. WONG and S.BOERNER (2003), Ranking Geological Drivers for Mapping

Fracture Intensity at the Pinedale Anticline, EAGE 65th Conference & Exhibition –
Stavanger, Norway.
20. Robert Fuller (1995), Neural Fuzzy systems, Abo Akademi University, ISBN 951-
650-624-0, ISSN 0358-5654.
21. Rojas Raúl (1993), Second Order Backpropagation Efficient Computation of the
Hessian Matrix for Neural Networks, Freie Universitat Berlin, TR 93-057.
22. Rojas Raúl (2010), Neural Networks A Systematic Introduction, Springer-Verlag.
23. Schlumberger (2010), Fracture Modeling, Schlumberger.
24. Shahab Mohaghegh (2000), Virtual-Intelligence Applications in Petroleum
Engineering: Part 1—Artificial Neural Networks, SPE 58046.
25. W. Schiffman M. Joost, R. Werner (1994), Ooptimization of the Backpropagation
Algorithm for Training Multilayer Perceptrons, ESANN.
26. Wilde Ivan F, Neural Networks, King's College .
27. Yinghua Lin, George A. Cunningham (1994), A Fuzzy Approach to Input Variable
Identification, IEEE.
28. Yinghua Lin, George A. Cunningham, (1995), A New Approach to Fuzzy-Neural
System Modeling, IEEE TRANSACTIONS ON FUZZY SYSTEMS, VOL. 3, NO. 2,
MAY 1995.
29. Yinghua Lin, George A. Cunningham, (1996), Input variable identification – Fuzzy
curves and fuzzy surfaces, Fuzzy Sets and System 82, pp 65-71.
30. Yinghua Lin, George A. Cunningham, (1998), Nonliear System Input Structure
Identification: Two Stage Fuzzy Curves and Surfaces, Fuzzy Sets and System 82, pp
65-71.