به کارگیری شبکه عصبی هوشمند جهت پیش بینی تراوایی سازند با استفاده از داده های چاه پیمایی

سال انتشار: 1392
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,293

فایل این مقاله در 12 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:

RESERVOIR02_029

تاریخ نمایه سازی: 11 خرداد 1392

چکیده مقاله:

تراوایی یکی از پارامترهای کلیدی جهت توصیف و مدل سازی مخازن می باشد. علی رغم پیشرفت های زیاد در روش های مختلف ارزیابی تراوایی همچون چاه آزماییو چاه پیمایی، همچنان دقیق ترین روش اندازه گیری تراوایی، آنالیز مغزه می باشد که روشی پر هزینه و زمانبر بوده و در عین حال نتایج آن تنها برای تعداد معدود و عمق محدودی از چاه ها موجود می باشد. به علت موجود بودن داده های مربوط به چاه پیمایی تقریبا در تمامی چاه های حفاری شده، تلاش های زیادی جهت برقراری رابطه ای منطقی بین داده های چاه پیمایی و تروایی حاصل از آنالیز مغزه حاصل گردیده است.تحقیقات گذشته نشان داده است که روش های هوشمند همچون شبکه های عصبی مصنوعی به خاطر قابلیتشان در حل مسائل پیچیده، به خوبیتوانایی پیش بینی تراوایی را از داده های چاه پیمایی دارا می باشند. در این مطالعه مدلی بر اساس شبکه عصبی پیش رونده برای پیش بینی میزان تراوایی مخزن با استفاده از داده های چاه پیمایی ارائه شده است. نتایج حاصل از عملکرد شبکه عصبی به کار گرفته شده نشان می دهد که شبکه موجود با خطای میانگین مربعات(Mean square error, MSE)0.0022 و ضریب تعیین (Coefficient of determination, R2)0.9874کاندیدای مناسبی جهت پیش بینی تراوایی مخزن توسط داده های چاه پیمایی می باشد.

نویسندگان

آرش ربیعی

فارغ التحصیلکارشناسی ارشد نفت مخازن هیدروکربوری، دانشکده نفت اهواز

حسین صیاد

مهندسی نفت مخازن هیدروکربوری، دانشگاه علوم و تحقیقات تهران

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 :
  • E. A. El-Sebakhy, O. Asparouhov, A.-A. Abdulraheem, A.-A. Al-Majed, D. ...
  • S. O. Olatunji, A. Selamat, and A Abdulraheem, "Modeling the ...
  • G. R. Coates and J. L. Dumanoir, " A NEW ...
  • W. W. Johnson, "Permeability Determination From Well Logs and Core ...
  • H. Kaydani, A. Mohebbi, and A. Baghaie, "Permeability prediction based ...
  • M. BEYKI, B. H. RAH IMPOUR, G. HOS SEINYAR, and ...
  • S. Mohaghegh, R. Arefi, S. Ameri, and D. Rose, "Design ...
  • Data: Part 2-Verifiable, Accurate Permeability Predictions, the Touch-Stone of All ...
  • the Use of Neural Networks, " presented at the SPE ...
  • learning algorithm, " Computers & Geosciences, vol. 26, pp. 907-913, ...
  • limited data, " Journal of Petroleum Science and Engineering, vol. ...
  • permeability prediction, " Journal of Petroleum Science and Engineering, vol. ...
  • logsand limited core plug analysis data using backpropagati _ artificial ...
  • J. Wiener, J. Rogers, and B. Moll, "Predict permeability from ...
  • S. Mohaghegh, B. Balan, and S. Ameri, _ S tate-Of-The-At ...
  • K. Aminian, H. I. Bilgesu, S. Ameri, and E. Gil, ...
  • K. Aminian, B. Thomas, H. Bilgesu, S. Ameri, and A. ...
  • P. M. Wong, M. Jang, S. Cho, and T. D. ...
  • K. Aminian and S. Ameri, "Application of artificial neural networks ...
  • P. Tahmasebi and A. Hezarkhani, "A fast and independent architecture ...
  • G. Arpat, F. Gimrah, and B. Yeten, "The neighborhood approach ...
  • S. Mohaghegh, "Virtual intelligence and its applications in petroleum engineering, ...
  • C. M. Bishop, Neural networks for pattern recognition: Oxford university ...
  • K. Hornik, M. Stinchcombe, and H. White, "Multilayer feedforward networks ...
  • C.-H. Chen and Z.-S Lin, "A committe machine with empirical ...
  • M. T. Hagan and M. B. Menhaj, "Training feedforward networks ...
  • S. S. Haykin, Neural networks: _ comprehensive foundation: Prentice Hall ...
  • P. Coulibaly and C. K. Baldwin, "Nonstationary hydrological time series ...
  • نمایش کامل مراجع