تعیین خصوصیات فضای متخلخل یک سنگ کربناته با استفاده از تصاویر میکرو سی تی اسکن توسط الگوریتم شبکه عصبی پیچشی

سال انتشار: 1402
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 59

فایل این مقاله در 18 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_PRRIP-33-3_003

تاریخ نمایه سازی: 4 دی 1402

چکیده مقاله:

در این مطالعه، عملکرد شبکه عصبی پیچشی در مشخصه سازی فضای متخلخل سنگ مورد ارزیابی قرار گرفته است. جهت آموزش شبکه، مجموعه ای از تصاویر میکرو سی تی اسکن سه بعدی از زیر نمونه های یک سنگ کربناته C۱ با خصوصیات فیزیکی مربوطه اعم از تخلخل، متوسط اندازه گلوگاه، متوسط اندازه منافذ، متوسط عدد پیوستگی و متوسط ضریب شکل منافذ فراهم گردیده است. تصویر به کاربرده شده از نمونه سنگ کربناته جهت آماده سازی مجموعه تصاویر ورودی، به ۹۲۶۱ تصویر به ابعاد ۱۰۰×۱۰۰×۱۰۰ واکسل تقسیم شده است و سپس با بهره گیری از الگوریتم کره بیشینه محاطی برای هر نمونه، خصوصیات نام برده به دست آمده است. در ادامه با تقسیم بندی مجموعه داده به دست آمده به سه بخش آموزش، ارزیابی و آزمایش (۷۵: ۱۵: ۱۰)، شبکه طراحی شده از جهت تعداد لایه و نرخ یادگیری مورد مقایسه و ارزیابی قرارگرفته است. سپس بعد از آزمایش شبکه بر روی مجموعه داده های آزمایش، ضریب تعیین پارامترها به ترتیب ذکرشده، ۹۹%، ۲/۹۰%، ۵/۹۴%، ۶/۹۳% و ۳/۷۵% و میانگین درصد خطای نسبی برای هر یک از خصوصیات کمتر از ۴% محاسبه شده است. ازاین رو  باتوجه به نتایج حاصل شده می توان نتیجه گرفت که تطابق خوبی میان مقادیر پیش بینی شده و مقادیر واقعی خصوصیات موجود است.

کلیدواژه ها:

نویسندگان

سارا شیرافکن

دانشکده مهندسی نفت، دانشگاه صنعتی امیرکبیر، تهران، ایران

محمد احمدی

دانشکده مهندسی نفت، دانشگاه صنعتی امیرکبیر، تهران، ایران

مهدی شعبانی

دانشکده مهندسی نفت، دانشگاه صنعتی امیرکبیر، تهران، ایران

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 :
  • . Dong, H. & Blunt M. J. (۲۰۰۹). Pore-network extraction ...
  • . Niu, Y. (۲۰۲۰). Digital rock segmentation for petrophysical analysis ...
  • . Raeini, A. Q. (۲۰۱۷). Generalized network modeling: Network extraction ...
  • . Silin, D., & Patzek, T. (۲۰۰۶). Pore space morphology ...
  • . Al-Kharusi, A.S. & Blunt, M.J. (۲۰۰۷). Network extraction from ...
  • . Rabbani, A., Jamshidi, S., & Salehi, S. (۲۰۱۴). An ...
  • . Barzegar, F., Masihi, M., & Tabar, M. A. (۲۰۲۰). ...
  • . Tembely, M. & A. AlSumaiti (۲۰۱۹). Deep learning for ...
  • شکری، س.، صادقی م. ت. و احمدی مرودوست، م. (۱۳۹۲) ...
  • . Sudakov, O. (۲۰۱۹). Driving digital rock towards machine learning: ...
  • . Alqahtani, N. Alzubaidi, F., Armstrong, R. T., Swietojanski, P., ...
  • . Mostaghimi, P., Blunt, M. J., & Bijeljic, B. (۲۰۱۳). ...
  • . Raeini, A. (۲۰۲۰). https://github.com/ImperialCollegeLondon/pnextract ...
  • . Bultreys, T., Lin, Q., Gao, Y., Raeini, A. Q., ...
  • . Krizhevsky A, Sutskever I, Hinton GE, editors (۲۰۱۲). Imagenet ...
  • . LeCun, Y., Bengio, Y., & Hinton, G. (۲۰۱۵). Deep ...
  • . Karimpouli, S., & Fattahi, H. (۲۰۱۸). Estimation of P-and ...
  • نمایش کامل مراجع