آنالیز عدم قطعیت بازده تولید با استفاده از شبکه های عصبی

سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 981

فایل این مقاله در 5 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

NIPC02_071

تاریخ نمایه سازی: 27 آبان 1393

چکیده مقاله:

مطالعه ی پیش رو درصدد انجام آنالیز عدم قطعیت میزان بازده نفت تولیدی در یکی از مخازن جنوب غرب ایران برآمده است. روال عادی این فرایند با استفاده از نرم افزارهای شبیه سازی مخازن انجام می گیرد که به دلیل استفاده از روش های عددی شبیه سازها این فرایند بسیار زمان بر خواهد بود. در این تحقیق سعی شده است ترکیبی از روش های آماری از جمله طراحی آزمایش و شبکه های عصبی به کار گرفته شود. نمونه گیری داده ها با روش مونت کارلو انجام شده است که در مقایسه با دیگر روش های نمونه گیری قابلیت شبیه سازی توزیع اصلی پارامتر را داراست. در مقایسه با روش های عددی، شبکه های عصبی میتواند نتایج را با دقتی قابل قبول تولید نمایند. مزیت این روشکاهش زمانی است که صرف فرایند تولید خروجی می شود. برای این مطالعه به طور تقریبی 150 ساعت صرف شبیه سازی عددی برای 100 دیتافایل شد. در صورتی که این زمان برای 100000 دیتافایلی که با شبکه های عصبی شبیه سازی شد به کمتراز 0/1 ثانیه کاهش یافت. خروجی حاصل نیز از دقت بالایی برخوردار بود.

کلیدواژه ها:

آنالیز عدم قطعیت ، شبیه سازی ، طراحی آزمایش ، شبکه های عصبی مصنوعی ، نمونه گیری مونت کارلو

نویسندگان

سجاد یونسی

کارشناس ارشد مهندسی شیمی، دانشگاه شهید باهنر کرمان

مهین شفیعی

گروه مهندسی شیمی، دانشگاه شهید باهنر کرمان

علی محبی

گروه مهندسی شیمی، دانشگاه شهید باهنر کرمان

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 :
  • Dejean, J.-P. and G. Blanc. Managing uncertainties on production predictions ...
  • Lechner, J.P. and G. Zangl. Treating uncertainties in reservoir performance ...
  • Fetel, E. and G. Caumon, Reservoir flow uncertainty assessment using ...
  • Al-Fattah, S.M and H.A. Al-Naim, Artificial- intelligence technology predicts Relative ...
  • RISSO, F.V.A., V.F. RISSO, and D.J. SCHIOZER, Risk assessment of ...
  • Baldwin Jr, D. A Monte Carlo Model for Pressure Transient ...
  • Yeten, B., et al. A comparison study on experimental design ...
  • Hammersley, J. and D. Handscomb, Monte Carlo method? monographs on ...
  • نمایش کامل مراجع