Абдулла Раванд Д., ЕНТРОПІЙНО-РЕГУЛЯРИЗОВАНИЙ ГЕОХІМІЧНИЙ РОЗПОДІЛ: ІНФОРМАЦІЙНО-ТЕОРЕТИЧНА МОДЕЛЬ РОЗДІЛЕННЯ ЗМІШАНОЇ НАФТИ ЗА ПОВНИМИ ГАЗОХРОМАТОГРАМАМИ
https://doi.org/10.15407/mineraljournal.48.03.062
ЕНТРОПІЙНО-РЕГУЛЯРИЗОВАНИЙ ГЕОХІМІЧНИЙ РОЗПОДІЛ:
ІНФОРМАЦІЙНО-ТЕОРЕТИЧНА МОДЕЛЬ РОЗДІЛЕННЯ
ЗМІШАНОЇ НАФТИ ЗА ПОВНИМИ ГАЗОХРОМАТОГРАМАМИ
УДК 550.84:553.98
Абдулла Раванд Д., д-р філософії (PhD), пров. наук. співроб.
E-mail: rawand.abdulla@epu.edu.iq; orcid: 0009-0006-9662-0942
Койський технічний інститут, Кафедра нафтових технологій,
Ербільський політехнічний університет, м. Ербіль, Республіка Ірак
Мова: англійська
Мінералогічний журнал 2026, 48 (3): 62-71
Анотація: Розподіл видобутку змішаної (комінгльованої) нафти між окремими продуктивними горизонтами є одним із ключових завдань геохімії нафтових родовищ. Традиційне геохімічне "дактилоскопіювання" спирається на обмежену кількість співвідношень піків і звичайний метод найменших квадратів, який стає нестійким за умов геохімічної подібності (колінеарності) нафт різних горизонтів та високого рівня аналітичного шуму. Запропоновано метод ентропійно-регуляризованого геохімічного розподілу (ERGA), що розглядає повну газохроматограму нафти як розподіл імовірностей і поєднує зважений за дисперсією доданок даних на симплексі з максимально-ентропійним апріорним оцінюванням та статистику розбіжності Єнсена — Шеннона для виявлення неврахованого кінцевого члена. У відтворюваному моделюванні методом Монте-Карло ERGA зменшує похибку розподілу приблизно у 1,5 раза для чітко розділюваних горизонтів, а для колінеарних — з 12,6 до 8,5 відсоткового пункта за рівня шуму 7 %. Статистика виявлення фіксує прихований горизонт із потужністю ≥80 % за його внеску понад 12 %. ERGA забезпечує обґрунтований, придатний для оцінювання невизначеності та здатний до самодіагностики підхід до динамічного розподілу видобутку.
Ключові слова: геохімія нафти, розподіл видобутку, геохімічне "дактилоскопіювання", максимальна ентропія, теорія інформації, комінгльована нафта, газова хроматографія.
References / Література
Aitchison, J. (1986), The Statistical Analysis of Compositional Data, Chapman and Hall, London, 416 p. https://doi.org/10.1007/978-94-009-4109-0
Cover, T.M. and Thomas, J.A. (2006), Elements of Information Theory, 2nd ed. Hoboken, Wiley-Interscience, 748 p.
Halpern, H.I. (1995), Development and applications of light-hydrocarbon-based star diagrams, AAPG Bulletin, Vol. 79 (6), pp. 801-815. https://doi.org/10.1306/8D2B1BB0-171E-11D7-8645000102C1865D
Harris, C.R., Millman, K.J., van der Walt, S.J. et al. (2020), Array programming with NumPy, Nature, Vol. 585, pp. 357-362. https://doi.org/10.1038/s41586-020-2649-2
Hwang, R.J., Baskin, D.K. and Teerman, S.C. (2000), Allocation of commingled pipeline oils to field production, Organic Geochemistry, Vol. 31 (12), pp. 1463-1474. https://doi.org/10.1016/S0146-6380(00)00123-6
Jaynes, E.T. (1957), Information theory and statistical mechanics, Physical Review, Vol. 106 (4), pp. 620-630. https://doi.org/10.1103/PhysRev.106.620
Kaufman, R.L., Ahmed, A.S. and Elsinger, R.J. (1990), Gas chromatography as a development and production tool for fingerprinting oils from individual reservoirs: applications in the Gulf of Mexico, in: Proc. 9th Annual Research Conf., GCSSEPM Foundation, pp. 263-282. https://doi.org/10.5724/gcs.90.09.0263
Larter, S.R. and Aplin, A.C. (1995), Reservoir geochemistry: methods, applications and opportunities, in: Cubitt, J.M. and England, W.A. (eds.), The Geochemistry of Reservoirs, Geol. Society, London, Spec. Publ., Vol. 86, pp. 5-32. https://doi.org/10.1144/GSL.SP.1995.086.01.02
Lawson, C.L. and Hanson, R.J. (1974), Solving Least Squares Problems, Englewood Cliffs, Prentice-Hall, 340 p.
Lee, D.D. and Seung, H.S. (1999), Learning the parts of objects by non-negative matrix factorization, Nature, Vol. 401 (6755), pp. 788-791. https://doi.org/10.1038/44565
Lin, J. (1991), Divergence measures based on the Shannon entropy, IEEE Transactions on Information Theory, Vol. 37 (1), pp. 145-151. https://doi.org/10.1109/18.61115
Peters, K.E., Walters, C.C. and Moldowan, J.M. (2005), The Biomarker Guide. 2nd ed., Cambridge, Cambridge Univ. Press. https://doi.org/10.1017/CBO9780511524868
Skilling, J. and Bryan, R.K. (1984), Maximum entropy image reconstruction: general algorithm, Monthly Notices of the Royal Astronomical Society, Vol. 211 (1), pp. 111-124. https://doi.org/10.1093/mnras/211.1.111
Virtanen, P., Gommers, R., Oliphant, T.E. et al. (2020), SciPy 1.0: fundamental algorithms for scientific computing in Python, Nature Methods, Vol. 17, pp. 261-272. https://doi.org/10.1038/s41592-019-0686-2