CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)
عنوان
مقاله

Estimation of effective porosity using Ensemble Combination

اعتبار موردنیاز: ۱ | تعداد صفحات: ۹ | تعداد نمایش خلاصه: ۲۴۴ | نظرات: ۰
سال انتشار: ۱۳۹۰
کد COI مقاله: ICHEC07_573
زبان مقاله: انگلیسی
حجم فایل: ۵۳۳.۰۶ کلیوبایت (فایل این مقاله در ۹ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این مقاله را خریداری نمایید.
با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک مقاله) دریافت نمایید. برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید. در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.
لطفا قبل از اقدام به خرید اینترنتی این مقاله، ابتدا تعداد صفحات مقاله را در بالای این صفحه کنترل نمایید. در پایگاه سیویلیکا عموما مقالات زیر ۵ صفحه فولتکست محسوب نمی شوند و برای خرید اینترنتی عرضه نمی شوند.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود PDF مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۹ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳۰,۰۰۰ ریال

آدرس ایمیل خود را در زیر وارد نموده و کلید خرید با پرداخت اینترنتی را بزنید. آدرس ایمیل:

رفتن به مرحله بعد:

در صورت بروز هر گونه مشکل در روند خرید اینترنتی، بخش پشتیبانی کاربران آماده پاسخگویی به مشکلات و سوالات شما می باشد.

مشخصات نویسندگان مقاله Estimation of effective porosity using Ensemble Combination

Ghobad Ravanan -
Jamshid Moghadasi -
  Mohammad Ali Mohammadi - Corresponding Author’s Address: Department of petroleum engineering ,Omidiyeh Branch ,Islamic Azad University , Omidiyeh ,Iran

چکیده مقاله:

Ensemble Combination Artificial Neural Networks (ANN), a type of Committee Machine is in this study to estimate the effective porosity of reservoir rock was used. Petrophysical log data wells 1, 3, 6, 9 and 13 super giant South Pars field in the gas member k-1 and k-2 of the Kangan Formation was selected for the case study. Wells 1, 3 and 13 for training and wells No. 6 and 9 can be generalized to evaluate the networks go to work. Sonic, density, gamma and neutron logs, as input and effective porosity, as the output networks were considered. Performing a long trial and error stage, five three-layer networks with error back propagation training algorithm, which had the best generalization ability, combine to make the ensemble chosen. This collection of the best network, network structures 1 - 4 - 4 May, the stage is extended. The correlation coefficient of 98.38 percent and square root of the mean square error was 1.2930. Using a simple averaging methods and algorithms MSE-OLC, 26 may be combined ensemble collection network 5, were constructed and their results were compared with results of the best single network. Ensemble combining the best combination of network No. 1, 2, 4 and 5 the MSE-OLC method is extended in stages.The correlation coefficient of 98.55 percent and square root of the mean square error was 0.1 in 2343. Thus, the combined ensemble, RMS estimates for data validation, decreased 4.54 percent.

کلیدواژه‌ها:

Ensemble Combination, Artificial Neural Networks (ANN),Kangan Formation, Back propagation(BP), mean square error (RMS).

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
http://www.civilica.com/Paper-ICHEC07-ICHEC07_573.html
کد COI مقاله: ICHEC07_573

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
Ravanan, Ghobad; Jamshid Moghadasi & Mohammad Ali Mohammadi, ۱۳۹۰, Estimation of effective porosity using Ensemble Combination, هفتمین کنگره ملی مهندسی شیمی, جزیره کیش, انجمن مهندسی شیمی ایران (IACHE), http://www.civilica.com/Paper-ICHEC07-ICHEC07_573.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (Ravanan, Ghobad; Jamshid Moghadasi & Mohammad Ali Mohammadi, ۱۳۹۰)
برای بار دوم به بعد: (Ravanan; Moghadasi & Ali Mohammadi, ۱۳۹۰)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

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 :

  • Hearst J.R., Nelson P.H. and Paillet F.L., well logging for ...
  • The _ Chemical Engineering Congress & Exhibition (IChEC 2011) Kish, ...
  • Moradzadeh A..et al., Well logging for Engineering, Shahroud University Press, ...
  • Bhatt A., Reservoir properties from well logs using neural networks, ...
  • zakeri M..et al. , Mainj udgment of reservoir rock porosity ...
  • مدیریت اطلاعات پژوهشی

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    مقالات پیشنهادی مرتبط

    مقالات مرتبط جدید

    شبکه تبلیغات علمی کشور

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.