ورود
مقالات فارسیISIکنفرانسهاژورنالها

مروری جامع برکاربرد روشهای رایانش نرم درپیش بینی پارامترهای نفوذپذیری تخلخل و درجه اشباع در مخازن هیدروکربوری

محل انتشار: چهارمین کنفرانس و نمایشگاه فناوری اطلاعات و ارتباطات در صنایع نفت، گاز پالایش و پتروشیمی
سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 821

فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:
https://civilica.com/doc/453765

شناسه ملی سند علمی:

PETROICT04_018

تاریخ نمایه سازی: 9 فروردین 1395

چکیده مقاله:

تعیین پارامترهای نفوذپذیری تخلخل و درجه اشباع یکی ازعوامل مهم در آنالیز مخازن نفت و گاز بوده و عموما انتخاب این پارامترها متاثر از روش مورد استفاده در تخمین انهاست. به طور معمول برای تعین پارامترهای نفوذپذیری تخلخل و درجه اشباع مخزن از آزمایشات مغزه اندازه گیری مستقیم و یا نمودارهای چاه پیمایی اندازه گیری غیر مستقیم استفاده می شود که در مورد دوم با استفاده از روابط تجربی و ریاضی خاص وایجاد ارتباط بین متغیرها مختلفی که توسط نمودارهای مذکور اندازه گیری می شوند مقدار پارامترهای نفوذپذیری تخلخل و درجه اشباع سنگ مخزن مورد ارزیابی قرارمی گیرند. هدف از نگارش این مقاله؛ مروری جامع از کاربرد روشهای رایانش نرم در پیش بینی پارامترهای نفوذپذیری تخلخل و درجه اشباع در مخازن هیدروکربوری می باشد. نتایج این تحقیقات همگی نشان می دهند روشهای رایانش نرم در مقایسه با سایر روشها سریعتر دقیقتر و مقرون به صرفه تر می باشد.

کلیدواژه ها:

نویسندگان

هادی فتاحی

استادیار دانشکده مهندسی معدن، دانشگاه صنعتی اراک

حسینیه نظری

دانشجوی کارشناسی ارشد مهندسی معدن، دانشگاه صنعتی اراک

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 :
  • و 4 آذر 24 - 25 Nov. 201 _ _ ...
  • Nikravesh M, Zadeh LA, Aminzadeh F Soft computing and intelligent ...
  • Ohen HA. Calibrated Wireline Mechanical Rock Properties Model for Predicting ...
  • Oden CP, LoCoco JJ. Variable Frequency Mo nopole-Dipole Sonic Logging ...
  • Asoodeh M, Bagheripour P. Prediction of compressional, shear, and stoneley ...
  • Castagna JP, Batzle ML, Eastwood RI .Relationships between compres sional-wave ...
  • Wong P, Henderson D, Brooks L. Permeability determination using neural ...
  • Apat G, Gimrah F, Yeten B. The neighborhood approach to ...
  • [N]Ali M, Chawathe A. Using artificial intelligence to predict permeability ...
  • Chang H-C, Kopaska-Merkel DC, Chen H-C, Durrans SR. Lithofacies identification ...
  • Huang Y, Gedeon TD, Wong PM. An integrated neural -fuzzy- ...
  • 1]Lim J-S. Reservoir permeability determination using artificial neural network J ...
  • Chiu, S. L. 1994- Fuzzy model identification based On cluster ...
  • Delmirli, K. & Muthukumara. P., 2000- Higher order fuzzy system ...
  • Cuddy S. Litho-facies and permeability prediction from electrical logs using ...
  • 8]Kadkhodaie Ilkhchi A, Rezaee M, Moallemi SA. A fuzzy logic ...
  • Nouri Taleghani M, Saffarzadeh S, Karimi Khaledi M, Zargar G. ...
  • Jorjani E, Chelgani SC, Mesroghli S. Application of artificial neural ...
  • Hagan MT, Demuth HB , Beale MH. Neural network design. ...
  • Specht DF. A general regression neural networ, IEEE T Neural ...
  • Mohaghegh S, Arefi R, Ameri S, Aminiand K, Nutter R. ...
  • Malki H, Baldwin J, Kwari M. Estimating permeability by use ...
  • Maqsood A, Chawathe A. Using artificial intelligence to predict permeability ...
  • Boadu FK. Predicting oil saturation from velocities using petrophysical models ...
  • Saggaf MM, Nebrija L. Estimation of lithologies and depositional facies ...
  • _ _ for porosity _ from well logs. _ 50, ...
  • Lim J-S. Reservoir properties determination using fuzzy logic and neural ...
  • Al-Bulushi _ King PR, Blunt MJ, Kraijveld M. Development of ...
  • Srinivasan, K. & Fisher, ID. 1995- Machine Learning Approaches to ...
  • Jang, J. S. R., Sun, C. T. & Mizutani, E. ...
  • Kosko, B., 1992- Neural Networks and Fuzzy Systems: A Dynamical ...
  • Nava, P. & Taylor, J., 1996- The Optimization of Neural ...
  • Ja'fari A, Kadkhodaie- Ilkhchi A, Sharghi Y, Ghanavati . Fracture ...
  • Ng J, Gong S. Composite support vector machines for detection ...
  • Ancona N, Cicirelli G, Stella E, Distante A. Ball detection ...
  • Cao L-J, Tay FE. Support vector machine with adaptive parameters ...
  • Shin K-S, Lee TS, Kim H-j. An application of support ...
  • _ Wang CJ. Credit scoring with a data _ _ ...
  • Gang R, Zhuping Z. Traffic safety forecasting method by particle ...
  • Chen R-C, Hsieh C-H. Web page classification based on a ...
  • Al-Anazi A, Gates I. Support vector regression for porosity prediction ...
  • _ Lin Z-S. A committe machis _ _ Comput Geosci. ...
  • [13] Saemi M, Ahmadi M, Varjani AY. Design of neural ...
  • Anifowose F, Abdulraheem A. Fuzzy logic-driven and SVM-driven hybrid computational ...
    • نمایش کامل مراجع