- KỸ THUẬT MÔ HÌNH VỈA NỨT NẺ LIÊN TỤC (CFM), ÁP DỤNG CHO MỎ CỦA VIỆT NAM. - KỸ THUẬT MÔ HÌNH VỈA NỨT NẺ LIÊN TỤC. - Vỉa nứt nẻ tự nhiên. - Kỹ thuật mô hình nứt nẻ liên tục - CFM. - Xếp hạng các yếu tố ảnh hƣởng tới nứt nẻ. - Mô phỏng xây chỉ số nứt nẻ trong hệ lƣới địa chất. - CÁC CÔNG CỤ TRÍ TUỆ NHÂN TẠO DÙNG TRONG MÔ HÌNH NỨT NẺ LIÊN TỤC – CFM. - Logic mờ xếp hạng các thông số đầu vào đối với cƣờng độ nứt nẻ. - Mạng thần kinh nhân tạo xây dựng cƣờng độ nứt nẻ. - Hình 2.1: Mặt y a 2. - Hình 4.2: Zones. - Hình 4.8: Đồ thị tỷ lệ ô lƣới tƣơng ứng với khoảng nứt nẻ ban đầu. - Hình 4.9: Đồ thị phân trăm số ô lƣới tƣơng ứng với khoảng nứt nẻ xây dựng bằng modul “train estimation model” của phần mềm Petrel. - Hình 4.10: Đồ thị phân trăm số ô lƣới tƣơng ứng với khoảng nứt nẻ xây dựng bằng chƣơng trình tự viết. - trong đó y là cƣờng độ nứt nẻ tính từ ANN. - Khi giải quyết các bài toán xác định các đặc trƣng thấm chứa trong các vỉa nứt nẻ tự nhiên (NFR), các phƣơng pháp địa thống kê truyền thống thƣờng tỏ ra kém chính xác [6]. - Trong những năm gần đây một phƣơng pháp mô hình hóa đã đƣợc phát triển - mô hình vỉa nứt nẻ liên tục (CFM) để xác định các đặc trƣng nứt nẻ. - Trong vỉa có kể đến hiệu ứng nứt nẻ ở nhiều quy mô, đồng thời, mô hình cũng tích hợp tất cả các thông tin từ nhiều nguồn, bao gồm mẫu lõi, logs giếng, ảnh địa chấn, và dữ liệu kiểm tra giếng . - Luận văn tập trung nghiên cứu, khảo sát kỹ thuật mô hình vỉa nứt nẻ liên tục (CFM). - Nâng cao chất lƣợng kỹ thuật mô hình nứt nẻ liên tục (CFM), áp dụng vào bài toán xác định đặc trƣng nứt nẻ của vỉa nứt nẻ tự nhiên. - tiên tiến có liên quan trên thế giới cung cấp một cái nhìn chung về phƣơng pháp xây dựng đặc trƣng nứt nẻ của vỉa nứt nẻ tự nhiên bằng kỹ thuật mô hình vỉa nứt nẻ liên tục. - Chƣơng 1: Trình bày lý thuyết cơ bản về kỹ thuật mô hình vỉa nứt nẻ liên tục (CFM). - KỸ THUẬT MÔ HÌNH VỈA NỨT NẺ LIÊN TỤC 1.1. - Vỉa nứt nẻ tự nhiên - NFR là một vỉa dầu khí mà trong đó có chứa các hệ thống nứt nẻ và đứt gãy sinh ra không do các tác nhân nhân tạo. - Tác động chính của nứt nẻ và đứt gãy trong vỉa nứt nẻ tự nhiên là nó làm cho tính chất dòng chảy Hydrocarbon trong vỉa biến đổi rất không đồng nhất về cả hƣớng và cƣờng độ.. - Trong những năm qua, có một số mô hình địa chất đƣợc áp dụng phổ biến nhƣ mô hình địa cơ học, mô hình mạng nứt nẻ rời rạc (DFN), mô hình nứt nẻ liên tục,…. - trong đó khi làm việc với những vỉa nứt nẻ tự nhiên (NFR) mô hình nứt nẻ liên tục – CFM tỏ ra có hiểu quả hơn cả [3] [6-9].. - Trong phƣơng pháp mô hình theo tiếp cận CFM, chỉ số đặc trƣng nứt nẻ cơ bản thƣờng đƣợc chọn để mô hình hóa là cƣờng độ nứt nẻ trong vỉa, thay vì tập chung vào bản chất các nứt nẻ, phƣơng pháp này tập trung vào những nguyên nhân gây ra và chi phối sự phát triển của nứt nẻ [1]. - Các yếu tố nhƣ mật độ, độ mở, phƣơng hƣớng, cƣờng độ của nứt nẻ đƣợc gọi là chỉ số đặc trƣng cho nứt nẻ (fracture indicators) [19].. - Trong phƣơng pháp CFM, những yếu tố điều khiển nứt nẻ luôn luôn đƣợc xem xét, đánh giá cùng với các chỉ số đặc trƣng cho nứt nẻ, nhằm tìm ra mối quan hệ giữa chúng. - Một khi mối quan hệ này đƣợc ƣớc lƣợng, các yếu tố điều khiển nứt nẻ (fracture drivers) trên từng ô lƣới có thể đƣợc sử dụng để dự đoán đặc trƣng nứt nẻ tại ô lƣới đó.. - Đầu tiên, bộ thông số ảnh hƣởng tới nứt nẻ sẽ đƣợc xây dựng và phân tích, sử dụng thuật toán xếp hạng để xếp hạng những thông số này theo tiêu chí tƣơng quan với các chỉ số nứt nẻ. - Kết quả sẽ cho biết đƣợc sự ảnh hƣởng và tầm quan trọng của mỗi yếu tố điều khiển nứt nẻ (fracture drivers), qua đó tiến hành đánh giá (loại bỏ hoặc chấp nhận) bộ thông số đƣa vào bƣớc tiếp theo.. - Thứ hai, mô hình mạng thần kinh nhân tạo đƣợc sử dụng để hồi quy mối quan hệ giữa các yếu tố điều khiển nứt nẻ và chỉ số nứt nẻ. - Đầu vào cho mô hình gồm các yếu tố ảnh hƣởng nứt nẻ. - Các yếu tố ảnh hƣởng nứt nẻ này thu đƣợc từ việc sử dụng các phƣơng pháp địa thống kê thích hợp (thông qua một số phần mềm nhƣ Petrel) và đa số chúng thƣờng có trong các mô hình địa chất vỉa và minh giải địa chấn [24]. - Cuối cùng, ứng với các bộ trọng số của mình, mạng thần kinh nhân tạo có thể xây dựng đƣợc đặc trƣng nứt nẻ trên mỗi ô lƣới của hệ lƣới địa chất dựa trên các thông. - Quá trình xác định chỉ số nứt nẻ đƣợc tiến hành theo 3 bƣớc chính:. - Xác định các thông số ảnh hƣởng nứt nẻ cho toàn bộ hệ lƣới địa chất.. - Xây dựng mối quan hệ giữa các yếu tố ảnh hƣởng nứt nẻ và chỉ số nứt nẻ.. - Mô phỏng để xác định chỉ số nứt nẻ trên hệ lƣới địa chất.. - Khi đã xác định đƣợc chỉ số nứt nẻ trên toàn vỉa, mô hình tính chất thấm của vỉa trên hệ lƣới địa chất và đƣợc thô hóa để đƣa vào mô hình số mô phỏng hoạt động khai thác vỉa sẽ đƣợc xây dựng.. - Sơ đồ quá trình và thành phần chính của phƣơng pháp mô hình theo tiếp cận CFM để xác định thông số thấm cho mô hình kỹ thuật khai thác vỉa nứt nẻ trình bày trên hình 1.1.. - Hình 1.1 Sơ đồ thành phần chính của phƣơng pháp mô hình hóa các đặc trƣng nứt nẻ trong vỉa theo tiếp cận CFM.. - Trƣớc khi sử dụng mạng thần kinh nhân tạo xây dựng mối quan hệ giữa chỉ số nứt nẻ với các yếu tố ảnh hƣởng nứt nẻ, phƣơng pháp xếp hạng thích hợp phải đƣợc sử dụng để phân tích vai trò ảnh hƣởng của mỗi yếu tố lên đặc trƣng nứt nẻ đã chọn và đƣa ra đƣợc bảng xếp hạng của các yếu tố đó . - độ nứt nẻ. - Các đặc trƣng nứt nẻ. - Mô hình nứt nẻ. - Khi xếp hạng các yếu tố ảnh hƣởng nứt nẻ đến chỉ số nứt nẻ có thể cung cấp thêm thông tin về quá trình hình thành nứt nẻ trong vỉa để từ đó xây dựng kế hoạch khảo sát hiệu quả hơn. - Với các công cụ, kỹ thuật nghiên cứu khảo sát hiện nay tại các vỉa nứt nẻ tầng móng, các thông số địa chất, địa vật lý, địa cơ học, logs giếng và dữ liệu khai thác thu nhận là các đại lƣợng có ý nghĩa và có thể sử dụng làm dữ liệu nhƣ là các yếu tố ảnh hƣởng nứt nẻ [18]. - Ngoài ra mô hình còn cần đến chỉ số nứt nẻ đã biết tại các giếng thông qua các hoạt động nghiên cứu mẫu lõi, logs giếng, ảnh chụp thành giếng làm cơ sở cho việc huấn luyện và kiểm tra. - Các dữ liệu, thông tin cần thiết và có khả năng cung cấp từ công tác nghiên cứu khảo sát vỉa và phân tích, minh giải địa chấn của các yếu tố ảnh hƣởng nứt nẻ đƣợc liệt kê trong bảng 1.1.. - Các thuộc tính địa chấn nứt nẻ. - Chỉ số nứt nẻ tại giếng. - Các xu hƣớng phát triển nứt nẻ và ngang;. - Nứt nẻ đếm từ hình ảnh chụp thân giếng;. - Nứt nẻ đếm từ mẫu lõi;. - Khi đã xác định đƣợc các yếu tố gây nứt nẻ và xếp hạng ảnh hƣởng của chúng để sử dụng trong quá trình hồi quy, bộ dữ liệu có sẵn đƣợc chia thành hai phần: một bộ dùng cho huấn luyện và một bộ dùng cho kiểm tra. - Khi xây dựng cƣờng độ nứt nẻ các thông số đầu vào gọi là các nguyên điều khiển nứt nẻ ứng với mỗi ô lƣới sẽ đƣợc đƣa vào mạng thần kinh nhân tạo, khi đó mạng thần kinh nhân tạo sẽ đƣa ra một giá trị gọi là chỉ số nứt nẻ dự đoán tƣơng ứng với ô lƣới đó, công việc sẽ lặp đi lặp lại cho tất cả các ô lƣới trong vỉa, nhƣ vậy chỉ số nứt nẻ sẽ đƣợc xây dựng trong toàn bộ lƣới địa chất.. - Các công cụ trí tuệ nhân tạo sử dụng trong kỹ thuật mô hình nứt nẻ liên tục - CFM gồm thuật toán xếp hạng và mạng thần kinh nhân tạo, mà trong đó thƣờng sử dụng logic mờ để xếp hạng và đánh giá ảnh hƣởng của các nguyên nhân điều khiển nứt nẻ đối với nứt nẻ, mạng thần kinh nhân tạo dùng để hồi quy mối quan hệ giữa nguyên nhân điều khiển nứt nẻ và chỉ số đặc trƣng cho nứt nẻ . - Trong bài toán xác định đặc trƣng vỉa nứt nẻ tự nhiên, mối quan hệ giữa các yếu tố điều khiển và chi phối nứt nẻ (fracture drivers) và chỉ số nứt nẻ (fracture indicators) thƣờng rất phức tạp và có độ phi tuyến cao, chính vì vậy cần thiết phải đánh giá và xếp hạng mức độ ảnh hƣởng của mỗi yếu tố điều khiển nứt nẻ đối với cƣờng độ nứt nẻ.. - (nhƣ hình 2.12). - Trong các nhiên cứu trƣớc đây Abdelkader Kuider El Ouahed và các cộng sự đã chỉ ra kiến trúc mạng neural nhân tạo phù hợp cho bài toán mô phỏng đặc trƣng nứt nẻ của vỉa nứt nẻ tự nhiên (NFR) là loại mạng bốn lớp truyền thẳng [1], do đó trong luận văn này sẽ tiếp tục sử dụng loại mạng neural có cấu trúc tƣơng tự.. - Chƣơng trình xác định cƣờng độ nứt nẻ theo kỹ thuật CFM đƣợc tác giả nghiên cứu, phát triển và xây dựng bằng ngôn ngữ Fortran, chƣơng trình hoạt động trên Window*OS đƣợc cài đặt sẵn phần mềm vẽ hình mã nguồn mở Gnuplot.. - Xây dựng đặc trƣng nứt nẻ. - ảnh hƣởng lên cƣờng độ nứt nẻ để nhằm mục đích giảm nhẹ khối lƣợng tính toán cho các bƣớc tiếp theo.. - Dựa trên kết quả xếp hạng, ngƣời dùng chỉ việc xoá bỏ những thông số không ảnh hƣởng đến cƣờng độ nứt nẻ từ file PROPERTIES_INPUT_FOR_ANN.TXT.. - Module NEURALNETWORK.F90 chứa các chƣơng trình con loại hàm và chƣơng trình con thủ tục nhằm xây dựng đặc trƣng nứt nẻ từ bộ dữ liệu đƣợc lấy từ những ô lƣới mà giếng đi qua. - Xây dựng nứt nẻ. - Đối với mỏ Teapot Dome phần mềm sẽ đƣợc thử nghiệm xây dựng cƣờng độ nứt nẻ. - Phƣơng pháp trƣớc đây đã đƣợc áp dụng cho vùng mỏ này là mô hình mạng nứt nẻ rời rạc (DFN).. - Dữ liệu đầu vào cho mô hình ANN: Các nghiên cứu về vỉa nứt nẻ tự nhiên từ trƣớc tới nay đã chỉ ra các nguyên nhân ảnh hƣởng và chi phối đến đặc trƣng nứt nẻ của đá nền là đứt gãy, độ cong, độ nghiêng của thành hệ,…Nhƣng do dữ liệu thử nghiệm có đƣợc không đầy đủ nên trong nghiên cứu này chỉ sử dụng một vài các tham số đầu vào. - Trong các nghiên cứu trƣớc đây về địa đã chỉ ra, chúng là các nguyên nhân gây ảnh hƣởng và chi phối đến quá trình phát triển của hệ thống nứt nẻ trong vỉa nứt nẻ tự nhiên (NFR). - Dữ liệu đầu ra mục tiêu cho mô hình ANN là cƣờng độ nứt nẻ là một chỉ số đặc trƣng cho nứt nẻ trong mỏ.. - Để kiểm tra khả năng xây dựng đặc trƣng nứt nẻ của chƣơng trình máy tính, Luận văn tiến hành xây dựng một hệ thông nứt nẻ giả định trên toàn vỉa từ các thông số đầu vào góc cắm (hình 4.3), phƣơng vị (hình 4.4), độ cong gaussian (hình 4.5)và khoảng cách tới đứt gãy (hình 4.2). - Các thông số vừa nêu sẽ đƣợc đƣa vào một biểu thức cƣờng độ nứt nẻ giả định và tính cho toàn vỉa theo biểu thức:. - sau khi I đƣợc tính cho toàn bộ các ô lƣới trong mỏ nhƣ hình… Các giá trị cƣờng độ nứt nẻ giả định sẽ đƣợc xóa bỏ đi, chỉ giữa lại những giá trị cƣờng độ nứt nẻ giả định tại những ô lƣới mà giếng đi qua, nhƣ vậy còn lại ta đã thu đƣợc các giá trị cƣờng độ nứt nẻ tại giếng.. - Sau đó lần lƣợt sử dụng module train estimation model trong phần mềm thƣơng mại Petrel và phần mềm tự viết xây dựng lại cƣờng độ nứt nẻ từ bộ dữ liệu vừa tạo ra bên trên và so sánh kết quả với cƣờng độ nứt nẻ gốc ban đầu.. - Kết quả có 3 phần lần lƣợt là cƣờng độ nứt nẻ giả định lúc đầu (tạm gọi là cƣờng độ nứt nẻ gốc), sau đó là 2 kết quả, một là cƣờng độ nứt nẻ xây dựng lại từ module train estimation cua phần mềm Petrel, còn lại là cƣờng độ nứt nẻ xây dựng lại từ phần mềm tự viết theo kỹ thuật mô hình nứt nẻ liên tục.. - Kết quả từ phần mềm tự viết gồm có kết quả xếp hạng ảnh hƣởng các thông số đầu vào gồm có khoảng cách tới đứt gãy, góc cắm, góc phƣơng vị, độ cong gauss đối với cƣờng độ nứt nẻ giả định, nhƣ trong bảng Sau 114 lần lặp sai số trung bình trên cả tập huấn luyện và kiểm tra là . - Hình 4.8: so sánh kết quả cƣờng độ nứt nẻ.. - Hình 4.9: Đồ thị tỷ lệ ô lƣới tƣơng ứng với khoảng nứt nẻ ban đầu.. - Hình 4.10: Đồ thị phần trăm số ô lƣới tƣơng ứng với khoảng nứt nẻ xây dựng bằng modul “train estimation model” của phần mềm Petrel.. - Hình 4.11: Đồ thị phân trăm số ô lƣới tƣơng ứng với khoảng nứt nẻ xây dựng bằng chƣơng trình tự viết.. - trong đó y là cƣờng độ nứt nẻ tính từ ANN,. - Từ chỉ số xếp hạng nhƣ trong bảng 4.1 thấy rằng với việc sử dụng biểu thức xếp hạng nhƣ trong đã chỉ ra chính xác thông số ZONES không ảnh hƣởng tới cƣờng độ nứt nẻ giả định, sau đó sẽ đƣợc loại bỏ khỏi tập các thông số đầu vào, khi đó tập các thông số đầu vào của mạng thần kinh nhân tạo chỉ còn các thông số bao gồm Khoảng cách tới đứt gãy (DISTANCE). - Hình 4.8 gồm có: Cƣờng độ nứt nẻ xây dựng lúc ban đầu từ biểu thức (4.1) đặt tên trong hình là “Intensity_GOC”, cƣờng độ nứt nẻ xây dựng lại bằng module train estimation model trong phần mêm thƣơng mại Petrel là hình phía dƣới bên phải đặt tên là “train_estimation_model_petrel”, sau đó là cƣờng độ nứt nẻ xây dựng bằng phần mềm tự viết đặt tên là “INTENSITY_TU PHAN MEM TU VIET” là hình dƣới cùng bên trái.. - Về mặt định tính xu hƣớng phân bố cƣờng độ nứt nẻ xây dựng từ phần mềm thƣơng mại Petrel và phần mềm tự viết đều tƣơng đối tƣơng đồng với cƣờng độ nứt nẻ gốc ban đầu.. - Biểu đồ hình 4.9 mô tả phần trăm số ô lƣới tƣơng ứng với mỗi khoảng cƣờng độ nứt nẻ xây dựng lúc đầu, tƣơng ứng hình 4.11 là cƣờng độ nứt nẻ xây dựng lại bằng phần mềm tự viết, hình 4.10 cƣờng độ nứt nẻ xây dựng lại bằng module “train estimation model” trong phần mềm thƣơng mại Petrel. - Cả đồ thị trong hình 4.10 và 4.11 đều cho sự tƣơng đồng nhất định đối với 4.9, tuy nhiên trong trƣờng hợp xây dựng cƣờng độ nứt nẻ bằng module “train estimation model” (hình 4.10) khoảng giá trị cƣờng độ nứt nẻ xây dựng đƣợc rao động rất lớn. - còn trong trƣờng hợp xây dựng cƣờng độ nứt nẻ bằng phần mềm tự viết thì giá trị cƣờng độ nứt nẻ dao động trong khoảng 0;300. - hoàn toàn tƣơng đồng với cƣờng độ nứt nẻ xây dựng lúc đầu . - Hình 4.12 mô tả sai số giữa kết quả tính toán cƣờng độ nứt nẻ so với cƣờng độ nứt nẻ xây dựng giả định lúc đầu (theo công thức 4.1), đƣờng đồ thị màu xanh mô tả kết quả tính toán từ chƣơng trình máy tính tự viết, đƣờng đồ thị màu đỏ mô tả kết quả cƣờng đồ nứt nẻ theo công thức 4.1. - Từ kết quả khả quan khi thử nghiệm xây dựng cƣờng độ nứt nẻ của mỏ Teapot Dome, tiến hành bƣớc đầu áp dụng đối với mỏ Bạch Hổ của Việt Nam, tuy nhiên dữ liệu có đƣợc rất hạn chế (hiện tại chỉ có đƣợc một vài thông tin nhƣ độ rỗng, độ thấm, khoảng cách tới đứt gãy), nên ở đây sẽ sử dụng thông số đầu vào gồm có độ rỗng, và. - Do dữ liệu đặc trƣng cho nứt nẻ tại các giếng trong mỏ Bạch Hổ tác giả đã tiến hành thử tìm cách áp dụng kỹ thuật mô hình vỉa nứt nẻ liên tục tìm cách xây dựng trực tiếp trƣờng độ thấm từ các thông số đầu vào có đƣợc ở mỏ Bạch Hổ.. - Luận văn định hƣớng nội dung nghiên cứu kỹ thuật mô hình nứt nẻ liên tục – CFM, và các công cụ sử dụng trong kỹ thuật này, đó là mạng thần kinh nhân tạo 4 lớp truyền thẳng, thuật toán xếp hạng dựa trên các đƣờng cong fuzzy. - Đánh giá sự hiệu quả của kỹ thuật mô hình vỉa nứt nẻ liên tục - CFN dựa trên các ví dụ thực tế, và so sánh kết quả với phần mềm thƣơng mại Petrel. - Hệ thống hóa các nội dung cơ bản về kỹ thuật mô hình nứt nẻ liên tục (CFM), mạng neural nhân tạo và thuật toán xếp hạng dựa trên đƣờng cong fuzzy. - Những kết quả nghiên cứu khả quan về ứng dụng áp dụng kỹ thuật mô hình nứt nẻ liên tục (CFM) trong bài toán mô phỏng cƣờng độ nứt nẻ đã chứng tỏ rằng đây là một kỹ thuật có thể ứngdụng hiệu quả đối với bài toán này. - Vì vậy, một trong những hƣớng phát triển tiếp theo của đề tài là thử nghiệm, nghiên cứu, đánh giá, và cải tiến các thuật toán tiên tiến khác để có thể nâng cao đƣợc kết quả bài toán xây dựng đặc trƣng vỉa nứt nẻ tự nhiên nói riêng và nâng cao chất lƣợng cho mô hình vỉa nứt nẻ liên tục - CFM.