Đồ án thi cuối khóa môn địa thống kê

ĐỒ ÁN THI CUỐI KHÓA MÔN ĐỊA THỐNG KÊ GVHD: TS. Tạ Quốc Dũng TP. Hồ Chí Minh, 2021 MỤC LỤC CHƯƠNG I: REVIEW CÁC BÀI BÁO 5 Bài báo 1: Combined geostatistics and bayesian updating optimize drilling in shalegas plays 5 (Kết hợp địa thống kê và bayesian để tối ưu giếng khoan trong shale gas play) 5 1.1 Đặt vấn đề: 5 1.2 Phương pháp: 5 1.3 Kết quả: 8 1.4 Kết luận: 9 Bài báo 2: Optimal well placement in presence of multiple geostatistical realizations 6 (Tối ưu hóa vị trí giếng khoan dựa trên nhiều cách tính toán địa thống kê) 6 2.1 Đặt vấn đề: 6 2.2 Giải pháp: 6 2.3 Ứng dụng thực tế: 7 2.4 Kết luận: 8 CHƯƠNG II: PHƯƠNG TRÌNH TÍNH TOÁN 9 I. Mô hình hàm ngẫu nhiên: 9 II. Yêu cầu về tính ổn định: 9 2.1 Định nghĩa tính ổn định: 9 2.2 Ý nghĩa giả thiết ổn định 10 2.3 Ví dụ và giải pháp về vấn đề ổn định 10 2.4 Hàm cấu trúc Variogram γ(h) 12 2.5 Các tính chất của hàm cấu trúc – Variogram 13 2.6 Các mô hình của Variogram 14 III. Covariance –C(h) 19 3.1 Định nghĩa 19 3.2 Tính chất 19 3.3 Các mô hình của Covariance 20 IV. Kriging 20 4.1. Kriging 20 4.1 Simple Kriging (SK) 21 4.2 Ordinary Kriging (OK) 23 4.3 CoKriging 24 4.4 Universal Kriging 27 CHƯƠNG III: ỨNG DỤNG TÍNH TOÁN 28 I. Dữ liệu giếng: 28 II. Phân tích số liệu trên Excel: 42 III. Đồ thị phân phối độ rỗng và độ thấm, tương quan độ rỗng và độ thấm: 45 IV. Đồ thị Variogram độ rỗng, độ thấm và Cross Variate: 47 V. Lựa chọn mô hình Cokriging phù hợp với bộ dữ liệu: 50 CHƯƠNG IV: KẾT LUẬN 55 TÀI LIỆU THAM KHẢO 56 DANH MỤC HÌNH ẢNH Hình 1. Khu vực khảo sát 6 Hình 2: Đồ thị phân bố xác suất COS 7 Hình 3: Trình bày các giá trị COS quan sát được từ vùng Test từ 837 giếng được khoan. Tác giả dùng đồ thị này để đối chiếu với kết quả từ phương pháp BayesianKringing. 7 Hình 4: Giá trị COS tại các giếng khoan 8 Hình 5: Kết quả thu được k 8 Hình 6: Ví dụ của một trường hợp vị trí các giếng được tối ưu hóa. Các điểm màu đỏ tại cánh phải là vị trí các giếng bơm ép, các điểm màu đen là vị trí các giếng khai thác và các điểm màu vàng là các vị trí tối ưu. 7 Hình 7: Biểu đồ phân tán đã làm mịn cho 234 dữ liệu độ rỗng độ thấm 10 Hình 8: Dữ liệu ổn định và không ổn định 11 Hình 9: Chia nhỏ khi vực nghiên cứu để tính Variogram 11 Hình 10: Chi khu vực lớn thành 4 khu vực nhỏ theo 4 hướng khác nhau 12 Hình 11: Biểu đồ Variogram 14 Hình 12: Biểu đồ Variogram với Sill 16 Hình 13: Mô hình Variogram kết hợp giữa mô hình cầu và Nuggeteffected 18 Hình 14: Covariance và Variogram 20 Hình 15: Nhập dữ liệu vào GS+ 42 Hình 16: Đồ thị QQ cho độ rỗng 42 Hình 17: Đồ thị QQ cho độ thấm 43 Hình 18: Đồ thị QQ cho độ thấm khi chuyển sang ln 43 Hình 19: Đồ thị QQ giữa độ rỗng và ln độ thấm 44 Hình 20: Đồ thị PP căn bậc 2 độ rỗng và ln độ thấm 45 Hình 21: Đồ thị phân phối độ rỗng 45 Hình 22: Đồ thị phân phối độ thấm 46 Hình 23: Đồ thị tương quan độ rỗng và độ thấm 46 Hình 24: Hướng chính theo tọa độ của độ rỗng 47 Hình 25: Variogram độ rỗng 47 Hình 26: Bán kính hướng chính và phụ theo độ rỗng 48 Hình 27: Hướng chính theo tọa độ của độ thấm 48 Hình 28: Variogram độ thấm 49 Hình 29: Bán kính hướng chính phụ độ thấm 49 Hình 30: Cross Variogram 50 Hình 31: Tương quan giá trị thực và ước tính theo Simple Cokriging với Variogram Isotropic 50 Hình 32: Tương quan giá trị thực và ước tính theo Ordinary Cokriging 51 Hình 33: Tương quan giá trị thực và ước tính Standardized Ordinary Cokriging với Variogram Isotropic 51 Hình 34: Tương quan giá trị thực và ước tính theo Simple Cokriging với Variogram Anisotropic 51 Hình 35: Tương quan giá trị thực và ước tính theo Ordinary Cokriging với Variogram Anisotropic 52 Hình 36:Tương quan giá trị thực và ước tính theo Standardized Ordinary với Variogram Anisotropic 52 Hình 37: Nội suy Cokriging Map 3D 53 Hình 38: Nội suy Cokriging Map 2D 53 Hình 39: Phân bố tướng đá theo tọa độ vẽ trên MS Excel 54 Hình 40: Bảng dữ liệu nội suy Cokriging từ dữ liệu 289 giếng 54 CHƯƠNG I: REVIEW CÁC BÀI BÁO Bài báo 1: Combined geostatistics and bayesian updating optimize drilling in shalegas plays (Kết hợp địa thống kê và bayesian để tối ưu giếng khoan trong shale gas play) 1.1 Đặt vấn đề: Phát triển một chương trình khoan trong Shale Gas Plays là một thách thức. Việc yêu cầu số lượng lớn giếng, ngay cả khi với nhiều giếng khai thác hiệu quả kinh tế vẫn không chắc chắn. Với số lượng giếng ít nhấtvà để tập trung vào vùng có tiềm năng nhất, vì thế bài báo sẽ trình bày phương pháp để nâng cao hiệu quả kinh tế cho vùng shale gas plays. 1.2 Phương pháp: Sử dụng mô hình xác suất thông qua Chance Of Success (COS) Mục đích chính bài báo • Thiết lập và định lượng sự phụ thuộc không gian giữa các giếng với nhau • Trình bày phương pháp COS • Chứng minh phương pháp thông qua việc phân tích dữ liệu vùng Barnett shale Dữ liệu giếng: Khu vực khảo sát nằm ở phía đông Mississippian Barnett Shale ở bồn trũng Fort Worth bang Texas (hình 1.1). Nghiên cứu trong khu vực rộng 2100 km2. 2901 giếng ngang được phân tích, trong đó 2064 giếng nằm ở vũng Training. Khu vực này được chia làm 2, vùng phía nam là vùng Training, vùng phía bắc là vùng Test. Các dữ liệu được nghiên cứu ở vùng Training sẽ được áp dụng vào vùng Test. Hình 1. Khu vực khảo sát Phương pháp cập nhật COS khi giếng mới được khoan • Bước 1: Trước tiên các dữ liệu của shale, probability density function (PDF) cho COS được nhập cho cell • Bước 2: Vào một thời điểm nào đó, thông tin giếng mới sẽ đến dưới hình thức thành công hay thất bại của shale. Quy luật Bayes được áp dụng để cập nhật vào cell, nơi mà giếng được khoan. Điều này dẫn đến các PDF mới trong các cell với thông tin giếng mới. Trong các cell không có giếng mới thì PDF không đổi • Bước 3: Do sự phụ thuộc không gian trong plays, người ta mong đợi các cells không được cập nhật trong bước 2 và ở gần các cells có sự thay đổi đang kể PDF bị ảnh hưởng bởi sự thay đổi này. Trong bước này sự phụ thuộc không gian được tính đến và IK được sử dụng để cập nhật các shale mà không được cập nhật trong bước 2. Sau khi hoàn thành các bước 2, 3, tất cả các shale được cập nhật và phân bố posterior được có sẵn. Nếu thông tin mới đến sau, thì posterior này được sử dụng như trước bước 2 3 được lặp lại. Áp dụng minh họa cho Barnett shale Thông tin trước khi khoan, Xác định COS trên cơ sở của tất cả các giếng trong vùng training được giả định COS cho vùng Test. Tỷ lệ các giếng được khoan trong năm 2011 với lợi nhuận ròng dương với giá khí 4 USDMscf là 62.5%. Do đó 62.5 được xem như COS. Nguyên tắc maximum entropy được sử dụng để phát triển phân bố xác suất COS (hình 2). Phân bố xác suất này được chỉ định cho mỗi cell. Hình 2: Đồ thị phân bố xác suất COS Variogram for ordinary IK 10 chỉ số COS được định nghĩa như (bảng). Các dữ liệu từ vùng Training được sử dụng để phát triển Variogram cho mỗi chỉ số COS dựa vào dữ liệu thực Hình 3: Trình bày các giá trị COS quan sát được từ vùng Test từ 837 giếng được khoan. Tác giả dùng đồ thị này để đối chiếu với kết quả từ phương pháp BayesianKringing. Hình 4: Giá trị COS tại các giếng khoan 1.3 Kết quả: Hình 5: Kết quả thu được 1.4 Kết luận: Mối tương quan giữa các giếng rất quan trọng. Việc phân tích dữ liệu Barneet Shale cho thấy rằng mặc dù có sự đa dạng về hiệu quả của giếng trong khu vực nhưng nó vẫn phụ thuộc đáng kể vào các giếng lân cận. Và sự phụ thuộc này có thể được khám phá bằng tiêu chuẩn kỹ thuật địa thống kê để dự đoán hiệu suất của các giếng. Bài báo 2: Optimal well placement in presence of multiple geostatistical realizations (Tối ưu hóa vị trí giếng khoan dựa trên nhiều cách tính toán địa thống kê) Clayton V. Deutsch, Trung tâm tính toán Địa thống kê, Khoa Kỹ thuật Xây dựng Môi trường Đại học Alberta 2.1 Đặt vấn đề: Việc xác định vị trí và thời gian khoan các giếng khai thác và bơm ép đóng vai trò đặc biệt quan trọng trong kế hoạch phát triển mỏ với mục tiêu là tăng tối đa khoảng thời gian khai thác cân bằng, tỷ lệ thu hồi dầu và các chỉ số kinh tế chủ chốt cùng với giảm tần suất bơm ép nước. Tuy nhiên, việc xác định vị trí giếng sẽ rất khó khăn với một mô hình cấu trúc vỉa và các tính chất địa vật lý duy nhất. Trên thực tế, người ta thường dựa trên kinh nghiệm của người kỹ sư và mô phỏng dòng chảy để thực hiện các yêu cầu đó. Nhưng nếu có quá nhiều trường hợp địa thống kê thì việc xử lý sẽ trở nên rất phức tạp. Việc xác định vị trí giếng khoan được tối ưu bằng cách thiết lập một cơ sở dữ liệu tính toán nhanh cho một kế hoạch giếng và thông số vỉa. Sau đó số liệu cần được hiệu chỉnh với một vài kết quả mô phỏng dòng chảy. Khi đó, việc tối ưu hóa vị trí giếng khoan có thể được thực hiện đồng thời với nhiều trường hợp địa thống kê.

ĐẠI HỌC QUỐC GIA TP.HCM TRƯỜNG ĐẠI HỌC BÁCH KHOA KHOA KỸ THUẬT ĐỊA CHẤT VÀ DẦU KHÍ -o0o - ĐỒ ÁN THI CUỐI KHĨA MƠN ĐỊA THỐNG KÊ GVHD: TS Tạ Quốc Dũng TP Hồ Chí Minh, 2021 MỤC LỤC CHƯƠNG I: REVIEW CÁC BÀI BÁO Bài báo 1: Combined geostatistics and bayesian updating optimize drilling in shale-gas plays (Kết hợp địa thống kê bayesian để tối ưu giếng khoan shale gas play) 1.1 Đặt vấn đề: 1.2 Phương pháp: .5 1.3 Kết quả: 1.4 Kết luận: .9 Bài báo 2: Optimal well placement in presence of multiple geostatistical realizations (Tối ưu hóa vị trí giếng khoan dựa nhiều cách tính tốn địa thống kê) 2.1 Đặt vấn đề: 2.2 Giải pháp: 2.3 Ứng dụng thực tế: .7 2.4 Kết luận: .8 CHƯƠNG II: PHƯƠNG TRÌNH TÍNH TỐN I Mơ hình hàm ngẫu nhiên: II Yêu cầu tính ổn định: .9 2.1 Định nghĩa tính ổn định: 2.2 Ý nghĩa giả thiết ổn định 10 2.3 Ví dụ giải pháp vấn đề ổn định 10 2.4 Hàm cấu trúc Variogram -γ(h) 12 2.5 Các tính chất hàm cấu trúc – Variogram 13 2.6 Các mơ hình Variogram .14 III Covariance –C(h) 19 3.1 Định nghĩa 19 3.2 Tính chất 19 3.3 Các mơ hình Covariance 20 IV Kriging 20 4.1 Kriging .20 4.1 Simple Kriging (SK) 21 4.2 Ordinary Kriging (OK) 23 4.3 CoKriging 24 4.4 Universal Kriging .27 CHƯƠNG III: ỨNG DỤNG TÍNH TỐN 28 I Dữ liệu giếng: 28 II Phân tích số liệu Excel: 42 III Đồ thị phân phối độ rỗng độ thấm, tương quan độ rỗng độ thấm: 45 IV Đồ thị Variogram độ rỗng, độ thấm Cross Variate: 47 V Lựa chọn mơ hình Cokriging phù hợp với liệu: 50 CHƯƠNG IV: KẾT LUẬN .55 TÀI LIỆU THAM KHẢO .56 DANH MỤC HÌNH ẢNH Hình Khu vực khảo sát .6 Hình 2: Đồ thị phân bố xác suất COS Hình 3: Trình bày giá trị COS quan sát từ vùng Test từ 837 giếng khoan Tác giả dùng đồ thị để đối chiếu với kết từ phương pháp Bayesian-Kringing Hình 4: Giá trị COS giếng khoan .8 Hình 5: Kết thu k Hình 6: Ví dụ trường hợp vị trí giếng tối ưu hóa Các điểm màu đỏ cánh phải vị trí giếng bơm ép, điểm màu đen vị trí giếng khai thác điểm màu vàng vị trí tối ưu Hình 7: Biểu đồ phân tán làm mịn cho 234 liệu độ rỗng/ độ thấm 10 Hình 8: Dữ liệu ổn định khơng ổn định 11 Hình 9: Chia nhỏ vực nghiên cứu để tính Variogram 11 Hình 10: Chi khu vực lớn thành khu vực nhỏ theo hướng khác 12 Hình 11: Biểu đồ Variogram 14 Hình 12: Biểu đồ Variogram với Sill 16 Hình 13: Mơ hình Variogram kết hợp mơ hình cầu Nugget-effected 18 Hình 14: Covariance Variogram 20 Hình 15: Nhập liệu vào GS+ 42 Hình 16: Đồ thị Q-Q cho độ rỗng 42 Hình 17: Đồ thị Q-Q cho độ thấm .43 Hình 18: Đồ thị Q-Q cho độ thấm chuyển sang ln 43 Hình 19: Đồ thị Q-Q độ rỗng ln độ thấm 44 Hình 20: Đồ thị P-P bậc độ rỗng ln độ thấm 45 Hình 21: Đồ thị phân phối độ rỗng 45 Hình 22: Đồ thị phân phối độ thấm .46 Hình 23: Đồ thị tương quan độ rỗng độ thấm 46 Hình 24: Hướng theo tọa độ độ rỗng 47 Hình 25: Variogram độ rỗng 47 Hình 26: Bán kính hướng phụ theo độ rỗng 48 Hình 27: Hướng theo tọa độ độ thấm 48 Hình 28: Variogram độ thấm 49 Hình 29: Bán kính hướng phụ độ thấm .49 Hình 30: Cross Variogram 50 Hình 31: Tương quan giá trị thực ước tính theo Simple Cokriging với Variogram Isotropic .50 Hình 32: Tương quan giá trị thực ước tính theo Ordinary Cokriging 51 Hình 33: Tương quan giá trị thực ước tính Standardized Ordinary Cokriging với Variogram Isotropic51 Hình 34: Tương quan giá trị thực ước tính theo Simple Cokriging với Variogram Anisotropic 51 Hình 35: Tương quan giá trị thực ước tính theo Ordinary Cokriging với Variogram Anisotropic .52 Hình 36:Tương quan giá trị thực ước tính theo Standardized Ordinary với Variogram Anisotropic 52 Hình 37: Nội suy Cokriging Map 3D 53 Hình 38: Nội suy Cokriging Map 2D 53 Hình 39: Phân bố tướng đá theo tọa độ vẽ MS Excel 54 Hình 40: Bảng liệu nội suy Cokriging từ liệu 289 giếng 54 CHƯƠNG I: REVIEW CÁC BÀI BÁO Bài báo 1: Combined geostatistics and bayesian updating optimize drilling in shalegas plays (Kết hợp địa thống kê bayesian để tối ưu giếng khoan shale gas play) 1.1 Đặt vấn đề: Phát triển chương trình khoan Shale Gas Plays thách thức Việc yêu cầu số lượng lớn giếng, với nhiều giếng khai thác hiệu kinh tế không chắn Với số lượng giếng nhấtvà để tập trung vào vùng có tiềm nhất, báo trình bày phương pháp để nâng cao hiệu kinh tế cho vùng shale gas plays 1.2 Phương pháp: Sử dụng mơ hình xác suất thơng qua Chance Of Success (COS) Mục đích báo  Thiết lập định lượng phụ thuộc không gian giếng với  Trình bày phương pháp COS  Chứng minh phương pháp thơng qua việc phân tích liệu vùng Barnett shale Dữ liệu giếng: Khu vực khảo sát nằm phía đơng Mississippian Barnett Shale bồn trũng Fort Worth bang Texas (hình 1.1) Nghiên cứu khu vực rộng 2100 km 2901 giếng ngang phân tích, 2064 giếng nằm vũng Training Khu vực chia làm 2, vùng phía nam vùng Training, vùng phía bắc vùng Test Các liệu nghiên cứu vùng Training áp dụng vào vùng Test Hình Khu vực khảo sát Phương pháp cập nhật COS giếng khoan  Bước 1: Trước tiên liệu shale, probability density function (PDF) cho COS nhập cho cell  Bước 2: Vào thời điểm đó, thơng tin giếng đến hình thức thành công hay thất bại shale Quy luật Bayes áp dụng để cập nhật vào cell, nơi mà giếng khoan Điều dẫn đến PDF cell với thông tin giếng Trong cell khơng có giếng PDF khơng đổi  Bước 3: Do phụ thuộc không gian plays, người ta mong đợi cells không cập nhật bước gần cells có thay đổi kể PDF bị ảnh hưởng thay đổi Trong bước phụ thuộc khơng gian tính đến IK sử dụng để cập nhật shale mà không cập nhật bước Sau hoàn thành bước 2, 3, tất shale cập nhật phân bố posterior có sẵn Nếu thơng tin đến sau, posterior sử dụng trước bước lặp lại Áp dụng minh họa cho Barnett shale Thông tin trước khoan, Xác định COS sở tất giếng vùng training giả định COS cho vùng Test Tỷ lệ giếng khoan năm 2011 với lợi nhuận rịng dương với giá khí USD/Mscf 62.5% Do 62.5 xem COS Nguyên tắc maximum entropy sử dụng để phát triển phân bố xác suất COS (hình 2) Phân bố xác suất định cho cell Hình 2: Đồ thị phân bố xác suất COS Variogram for ordinary IK 10 số COS định nghĩa (bảng) Các liệu từ vùng Training sử dụng để phát triển Variogram cho số COS dựa vào liệu thực Hình 3: Trình bày giá trị COS quan sát từ vùng Test từ 837 giếng khoan Tác giả dùng đồ thị để đối chiếu với kết từ phương pháp BayesianKringing Hình 4: Giá trị COS giếng khoan 1.3 Kết quả: Hình 5: Kết thu 1.4 Kết luận: Mối tương quan giếng quan trọng Việc phân tích liệu Barneet Shale cho thấy có đa dạng hiệu giếng khu vực phụ thuộc đáng kể vào giếng lân cận Và phụ thuộc khám phá tiêu chuẩn kỹ thuật địa thống kê để dự đoán hiệu suất giếng Bài báo 2: Optimal well placement in presence of multiple geostatistical realizations (Tối ưu hóa vị trí giếng khoan dựa nhiều cách tính tốn địa thống kê) Clayton V Deutsch, Trung tâm tính tốn Địa thống kê, Khoa Kỹ thuật Xây dựng & Môi trường Đại học Alberta 2.1 Đặt vấn đề: Việc xác định vị trí thời gian khoan giếng khai thác bơm ép đóng vai trò đặc biệt quan trọng kế hoạch phát triển mỏ với mục tiêu tăng tối đa khoảng thời gian khai thác cân bằng, tỷ lệ thu hồi dầu số kinh tế chủ chốt với giảm tần suất bơm ép nước Tuy nhiên, việc xác định vị trí giếng khó khăn với mơ hình cấu trúc vỉa tính chất địa vật lý Trên thực tế, người ta thường dựa kinh nghiệm người kỹ sư mơ dịng chảy để thực u cầu Nhưng có nhiều trường hợp địa thống kê việc xử lý trở nên phức tạp Việc xác định vị trí giếng khoan tối ưu cách thiết lập sở liệu tính tốn nhanh cho kế hoạch giếng thơng số vỉa Sau số liệu cần hiệu chỉnh với vài kết mơ dịng chảy Khi đó, việc tối ưu hóa vị trí giếng khoan thực đồng thời với nhiều trường hợp địa thống kê 2.2 Giải pháp: Việc thiết lập chuỗi trường hợp xác suất xảy chúng trở thành khía cạnh quan trọng để phát triển mơ hình địa thống kê Ta có n L mơ hình địa thống kê vỉa với xác suất tương ứng pl, l=1, …,nL Các ý tưởng bản:  Chạy số mô dịng chảy với cấu hình giếng khác mơ hình địa chất khác Việc tối ưu hóa dễ dàng với nhiếu mơ dịng chảy hơn; 20 mơ hình khác đưa điểm ban đầu Các mơ hình khác giới hạn kết dự đoán Bảng tổng hợp biểu dịng chảy khác tính từ mơ dịng chảy giếng  Đưa phép đo chất lượng vỉa tĩnh để nắm giếng cục vỉa  Tính phép đo tĩnh mơ hình dùng để mơ dịng chảy bước Hiệu chỉnh phép đo vỉa tĩnh cho biểu dòng chảy khác sử dụng công cụ thống kê cổ điển đa dạng Kết số liệu vỉa tĩnh cho việc mơ dịng chảy tối ưu nhanh chóng  Tối ưu hóa chuỗi vị trí giếng làm tăng tối đa phép đo hiệu chỉnh cho tất trường hợp đồng thời có xét đến xác suất xảy chúng Việc tối ưu Hình 15: Nhập liệu vào GS+ II Phân tích số liệu Excel: Đồ thị Q-Q cho độ rỗng bậc Đồ thị Q-Q cho độ rỗng f(x) = 0.98x + R² = 0.96 Đồ thị Q-Q cho độ rỗng Linear (Đồ thị Q-Q cho độ rỗng) -4 -3 -2 -1 0 -1 -2 -3 Hình 16: Đồ thị Q-Q cho độ rỗng 42 Nhận xét: Đồ thị Q-Q độ rỗng có dạng tuyến tính với hệ số tương quan so với giá trị phân phối chuẩn R2=0.9638 => giá trị độ rỗng sử dụng để tính tốn nội suy phần sau mơ hình CoKriging Đồ thị Q-Q cho độ thấm Đồ thị Q-Q cho độ thấm 10 Đồ thị Q-Q cho độ thấm Linear (Đồ thị Q-Q cho độ thấm) -4 -3 f(x) = 0.64x - R² = 0.4 -2 -1 -2 Hình 17: Đồ thị Q-Q cho độ thấm Nhận xét: Đồ thị Q-Q độ thấm đồ thị khơng tuyến tính => Độ thấm khơng tn theo quy luật phân phối chuẩn => chuẩn hóa số liệu (xem đồ thị phía sau) Đồ thị Q-Q cho độ thấm chuyển sang ln Đồ thị Q-Q cho LnP f(x) = 0.95x + R² = 0.9 Đồ thị Q-Q cho LnP Linear (Đồ thị Q-Q cho LnP) -4 -3 -2 -1 -1 -2 -3 Hình 18: Đồ thị Q-Q cho độ thấm chuyển sang ln Nhận xét: Đồ thị Q-Q lnP có dạng tuyến tính với hệ số tương quan R2=0.8972 tương đối cao => chuyển sang dạng lnP độ thấm sử dụng để tính tốn nội suy phần sau Đồ thị Q-Q độ rỗng ln độ thấm Đồ thị Q-Q cho độ rỗng LnP f(x) = 0.96x - R² = 0.92 Đồ thị Q-Q cho độ rỗng LnP Linear (Đồ thị Q-Q cho độ rỗng LnP) -3 -2 -1 0 -1 -2 -3 Hình 19: Đồ thị Q-Q độ rỗng ln độ thấm Nhận xét: Như đồ thị Q-Q cho độ rỗng đồ thị Q-Q cho lnP ta thấy hai tuân theo quy luật phân phối chuẩn => đồ thị Q-Q cho độ rỗng lnP có tương quan lớn với với hệ số tương quan R2= 0.9243 Đồ thị P-P bậc độ rỗng ln độ thấm 44 Đồ thị P-P cho bậc độ rỗng ln độ thấm 120.00% 100.00% 80.00% f(x) = 1.02x + 0.01 R² = Đồ thị P-P bậc độ rỗng ln độ thấm Linear (Đồ thị P-P bậc độ rỗng ln độ thấm) 60.00% 40.00% 20.00% 0.00% 0.00% 50.00% 100.00% 150.00% Hình 20: Đồ thị P-P bậc độ rỗng ln độ thấm Nhận xét: Đồ thị P-P độ rỗng độ thấm đồ thị tuyến tính với hệ số tương quan R2=0.998 => Tương quan liệu độ rỗng độ thấm III.Đồ thị phân phối độ rỗng độ thấm, tương quan độ rỗng độ thấm: Đồ thị phân bố độ rỗng: Hình 21: Đồ thị phân phối độ rỗng Chuyển liệu độ rỗng theo dạng bậc để phân phối độ rỗng phân phối chuẩn thuận tiện cho việc tính tốn Đồ thị phân bố độ thấm: Hình 22: Đồ thị phân phối độ thấm Chuyển liệu độ thấm dạng ln để liệu đồ thấm dạng phân phối chuẩn Độ thị tương quan liệu độ rỗng độ thấm: Hình 23: Đồ thị tương quan độ rỗng độ thấm Dữ liệu độ rỗng độ thấm có hệ số tương quan R2=0.915 => Giữa độ rộng độ thấm có tương quan lớn với IV.Đồ thị Variogram độ rỗng, độ thấm Cross Variate: 46 Đồ thị Variogram độ rỗng: Hình 24: Hướng theo tọa độ độ rỗng Nhìn vào đồ thị Variogram bất đẳng hướng ta thấy hướng liệu vào khoảng 50o so với hướng Y Ta có đồ thị Variogram sau: Hình 25: Variogram độ rỗng Với bán kính hướng chính, hướng phụ hình dưới: Hình 26: Bán kính hướng phụ theo độ rỗng Đồ thị Variogram cho độ thấm: Hình 27: Hướng theo tọa độ độ thấm Nhìn vào hình ta thấy hướng liệu độ thấm khoảng 50 o so với hướng thẳng Y Ta có đồ thị Variogram theo độ thấm sau: 48 Hình 28: Variogram độ thấm Với giá trị bán kính hướng hướng phụ sau: Hình 29: Bán kính hướng phụ độ thấm Đồ thị Variogram Cross Variate: Hình 30: Cross Variogram V.Lựa chọn mơ hình Cokriging phù hợp với liệu: Mơ hình Simple Cokriging với Variogram Isotropic: Hình 31: Tương quan giá trị thực ước tính theo Simple Cokriging với Variogram Isotropic Mơ hình Ordinary Cokriging với Variogram Isotropic: 50 Hình 32: Tương quan giá trị thực ước tính theo Ordinary Cokriging Mơ hình Standardized Ordinary Cokriging với Variogram Isotropic: Hình 33: Tương quan giá trị thực ước tính Standardized Ordinary Cokriging với Variogram Isotropic Mơ hình Simple Cokriging với Variogram Anisotropic: Hình 34: Tương quan giá trị thực ước tính theo Simple Cokriging với Variogram Anisotropic Mơ hình Ordinary Cokriging với Variogram Anisotropic: Hình 35: Tương quan giá trị thực ước tính theo Ordinary Cokriging với Variogram Anisotropic Mơ hình Standardized Ordinary với Variogram Anisotropic: Hình 36:Tương quan giá trị thực ước tính theo Standardized Ordinary với Variogram Anisotropic VI.Nhận xét: Từ mơ hình trình bày ta thấy mơ hình Ordinary Cokriging mơ hình phù hợp với liệu có hệ số tương quan giá trị thực giá trị ước tính lớn nhất: R2=0.998 Với mơ hình Ordinary Cokriging chọn ta tiến hành chạy nội suy xuất kết liệu: 52 Hình 37: Nội suy Cokriging Map 3D Hình 38: Nội suy Cokriging Map 2D Phân bố tướng đá theo tọa độ 1200 1000 Y 800 FACI1 FACI2 600 400 200 0 200 400 600 800 1000 1200 X Hình 39: Phân bố tướng đá theo tọa độ vẽ MS Excel Nhận kết quả: Hình 40: Bảng liệu nội suy Cokriging từ liệu 289 giếng 54 CHƯƠNG IV: KẾT LUẬN: Nhìn vào đồ thị theo GS+ ta thấy phân bố giá trị độ rỗng chia làm loại là: độ rộng lớn 10% độ rỗng nhỏ 10%, điều rõ so sánh với kết vẽ theo MS Excel Tuy nhiên GS+ ta thấy chi tiết giá trị phân bố độ rỗng theo dạng chính: màu xanh dương thể giá trị từ 10% trở xuống, màu vàng xanh thể giá trị độ rỗng từ 10% đến 14% màu vàng đến trắng thể giá trị độ rỗng từ 14% trở lên (vùng tầng cát chứa dầu khí khai thác mỏ có độ rỗng tương đối cao khu vực lại) Dựa vào đồ thị nội suy Cokriging độ rỗng có thêm liệu từ tài liệu địa chấn, thăm dò khác ta lựa chọn vị trí tối ưu cho việc lựa chọn giếng khai thác vị trí có độ rỗng cao để tăng hiệu cho trình khai thác sau giúp giảm chi phí đầu tư giếng khai thác với số lượng giếng phù hợp đáp ứng yêu cầu khai thác TÀI LIỆU THAM KHẢO [1] Jay Krishna Thakur, Optimizing Groundwater Monitoring Networks Using Integrated Statistical and Geostatistical Approaches, Berlin, 2015 [2] Vito D'agostino, Giuseppe Passarella, Michele Vurro, "Optimization of a Sampling Well Network Based on Geostatistical Analysis of Hydrochemical Parameters," Italy, 1997 [3] TS Tạ Quốc Dũng, KS Nguyễn Văn Thuận, Địa thống kê ứng dụng dự báo thông số địa học Hồ Chí Minh, 2016 [4] Mohan Kelkar, GodofredoPere, Applied geostatistics for Reservoir Characterization Texas: Society of Petroleum Engineers, 2002 [5] Clayton V Deutsch, "Optimal Well Placement in Presence of Multiple Geostatistical Realizations " [6] “Combined Geostatistics and Bayesian Updating Optimize Drilling in Shale-Gas Plays” SPE, JPT 10/2014 [7] Lê Minh Nhật, Đinh Văn Lai, “Báo cáo BTL Địa thống kê: Nội suy Kriging vào tối ưu hóa mạng lưới giếng khoan”, Hồ Chí Minh, 12/2017 [8] Michael Pyrcz, GeoDataSets-Master, University of Texas at Austin 56 ... trường hợp địa thống kê 2.2 Giải pháp: Việc thi? ??t lập chuỗi trường hợp xác suất xảy chúng trở thành khía cạnh quan trọng để phát triển mơ hình địa thống kê Ta có n L mơ hình địa thống kê vỉa với... giả thi? ??t ổn định thi? ??t lập phân chia liệu phù hợp, nhà địa chất dễ dàng xác định lớp địa chất phương thẳng đứng lẫn phương ngang Trong thực tế, giả thi? ??t thi? ??t lập thỏa hiệp quy mô biến đổi địa. .. 2.4 Kết luận: Lợi ích việc tối ưu hóa vị trí giếng khoan thơng qua địa thống kê khả tối ưu hóa qua chuỗi trường hợp địa thống kê khác lặp lại tính tốn có liệu Kết việc tối ưu đưa vào trường hợp