انتخاب شبکه عصبی بهینه MLP در تخمین تخلخل و نفوذپذیری مخزن آسماری میدان نفتی اهواز با استفاده از تکنیک آماری Bootstrapping

سال انتشار: 1390
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 717

فایل این مقاله در 13 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

IPEC03_009

تاریخ نمایه سازی: 7 تیر 1393

چکیده مقاله:

تخمین پارامتر های پتروفیزیکی مخزن برای ارزیابی و برآورد ذخیره ی هیدرو کربوری از اهمیت خاصی برخوردار است . در این تحقیق تخلخل و نفوذپذیری افقی مغزه به عنوان مهمترین پارامترهای پتروفیزیکی در مخزن آسماری از میدان نفتی اهواز با استفاده از شبکه های عصبیMLP-FFBPکلاسیک، آماری مبتنی برBootstrap و PCA شده مورد تخمین و مقایسه قرار گرفته است. در آموزش و اعتبارسنجیشبکه های فوق از دادههای چاهنگاری عمق، کالیپر، مقاومت ویژه عمیق، صوتی، گامای طبیعی، چگالی و نوترون بهمراه پارامترهای تخمینی اشباع آب، حجم شیل و نوع لیتولوژی بعنوان ورودی و مقادیر تخلخل و نفوذپذیری مغزه های حفاری موجود از مجموع 19 چاه اکتشافی به عنوان خروجیها استفاده گردید. نتایج اعتبارسنجی تخمینهای حاصل از روش شبکه عصبیBootstrapشده نشانگر برتری نسبی این شبکه درمقایسه با شبکه های عصبی کلاسیک در تخمین تخلخل و نفوذپذیری مغزه بوده است. در نهایت شبکه های عصبی بهینهBootstrap شده جهت تخمین نفوذپذیری و تخلخل با 11 ورودی بترتیب دارای 24 و 2 نرون در لایه پنهان و انطباق 78 و 73 درصد در مرحله تست شبکه تعیین گردید

کلیدواژه ها:

تخلخل_ نفوذپذیری_ شبکه های عصبیBootstrap و MLP-FFBP ، شبکههایعصبی-آماری مبتنی برPCA

نویسندگان

لیلا مقدسی

کارشناسی ارشد اکتشاف معدن، دانشگاه صنعتی اصفهان

جمشید مقدسی

دکتر مهندسی مخزن،، عضو هیئت علمی دانشگاه صنعت نفت اهواز

لیلا پیره

کارشناسی ارشد اکتشاف معدن، دانشگاه صنعتی اصفهان

علی پاشایی

کارشناسی ارشد مهندسی شیمی

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • مطیعی، همایون.، 1372، زمین‌شناسی ایران، چینه‌شناسی زاگرس، سازمان زمین‌شناسی کشور. ...
  • ماهباز، ب، و معماریان، ح، "تعیین مدل فیزیک سنگ برای ...
  • Al-Qahtani, F., "Prosity distribution Prediction Using Artificial Neural Networks", M.Sc ...
  • Jamialahmad _ M., Javadpour, F.G., "Relationship of permeability porosity and ...
  • Schwenk, H., and Bengio, Y., "Boosting Neural Networks", Neural Computation ...
  • Freund, Y, Schapire, R. , "Experiments with a new boosting ...
  • Transactio nson Pattern Analysis and Machine Intelligence, 12(10), 1993- 1001, ...
  • Transactio nson Pattern Analysis and Machine Intelligence, 12(10), 1993- 1001, ...
  • Hansen, L.K., and Salamon, P., "Neural network ensembles", IEEE Transactio ...
  • Hansen, L.K., and Salamon, P., "Neural network ensembles", IEEE Transactio ...
  • نمایش کامل مراجع