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

Relevance Vector Machine: a new approach for permeability prediction of petroleum reservoirs

اعتبار موردنیاز: ۱ | تعداد صفحات: ۲۱ | تعداد نمایش خلاصه: ۵۵۲ | نظرات: ۰
سال انتشار: ۱۳۹۰
نوع ارائه: پوستر
کد COI مقاله: IPEC03_116
زبان مقاله: انگلیسی
حجم فایل: ۵۵۰.۸۲ کلیوبایت (فایل این مقاله در ۲۱ 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 ۲۱ 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 Relevance Vector Machine: a new approach for permeability prediction of petroleum reservoirs

  R Gholami - PhD student, Faculty of Mining, Petroleum and Geophysics, Shahrood University of Technology,Iran,
  R Rooki - PhD student, Faculty of Mining, Petroleum and Geophysics, Shahrood University of Technology,Shahrood, Iran
  A Moradzadeh - Prof. of geophysical exploration, Faculty of Mining, Petroleum and Geophysics, Shahrood University of Technology, Shahrood, Iran

چکیده مقاله:

Permeability is one of the most important rock properties showing the ability of rocks in the conduct of fluids such as oil, water and gas throughthe pore spaces of reservoir. It is one of the most difficult petrophysicalproperties to determine and predict. The conventional methods for permeability determination are core analysis and well test data. Thesemethods are, however, very expensive and time-consuming. One of thecomparatively inexpensive and readily available sources of inferringpermeability is from well logs. In addition, artificial Intelligent (AI) has many applications in the petroleum engineering and permeability prediction over the past decade. The aim of this paper is to introduce a novel machine learning technology called Relevance Vector Machine(RVM) for predicting the permeability of three gas wells in southern Pars field. Comparing the obtained results of the RVM with that of support vector machine (SVM) has shown that RVM is a better and precious method than SVM in prediction of permeability.

کلیدواژه‌ها:

Relevance vector machine, Permeability, Prediction,Southern Pars Field, Support vector machine

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:
https://www.civilica.com/Paper-IPEC03-IPEC03_116.html
کد COI مقاله: IPEC03_116

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:
Gholami, R; R Rooki & A Moradzadeh, ۱۳۹۰, Relevance Vector Machine: a new approach for permeability prediction of petroleum reservoirs, سومین کنگره ملی مهندسی نفت, تهران, انستیتو مهندسی صنعت نفت, https://www.civilica.com/Paper-IPEC03-IPEC03_116.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: (Gholami, R; R Rooki & A Moradzadeh, ۱۳۹۰)
برای بار دوم به بعد: (Gholami; Rooki & Moradzadeh, 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 :

  • Ahmed, U., Crary, S.F., Coats, G.R. 1991. Permeability estimation: the ...
  • Artun, E., Mohaghegh, S., Toro, J., Wilson, T., Sanchez, A. ...
  • State -Of-Th e-Art in . د Balan, B., Mohaghegh, S., ...
  • Bhatt, A. 2002. Reservoir Properties From Well Logs Using Neural ...
  • Chih-Hung W., Gwo-Hshiung T., and Rong-Ho L. 2009. A Novel ...
  • Log Derived Permeability, SPWLA 14th Annual Logging Symposium. Coates, G.R., ...
  • Daigle, H., Dugan, B. 2009. Extending NMR data for permeability ...
  • Demuth, H., Beale, M. , 20 02."Neural Network Toolbox For ...
  • Eryarsoy E., Koehler, Gary J. and Aytug H. 2009. Using ...
  • Hwei-Jen L., and Jih Pin Y. ۲۰۰۹. Optimal reduction of ...
  • permeability and skin factor of oil, Journal of Petroleum Science ...
  • Jeng J.T., Chuang C.C., and Su S.F. 2003. Support vector ...
  • Bishop, C. M. 2006. Pattern Recognition and Machine Learning, Springer, ...
  • Coates, G.R. and Dumanoir, J.L. 1973. A New Approach to ...
  • Johnson, W.W. 1994. Permeability Determination From Well Logs and Core ...
  • Keerthi, S. S., and Lin, C. J. 2003. Asymptotic behaviors ...
  • Lia Q., Licheng J., and Yingjuan H. 2007. Adaptive simplification ...
  • Lin, H. T., and Lin, C. J. 20 03. A ...
  • Lin, J.L and Salisch, H.A. 1994. Determination from Well Logs ...
  • Liu H, Yao X, Zhang R, Liu M, Hu Z, ...
  • RE2.1, Society of Exploration Geophysicists _ Expanded Abstracts with Biographies, ...
  • Mohaghegh, S., Arefi, R., Ameri, S., Rose, D. 1994. Design ...
  • Mukherjee S., Osuna E., and Girosi F. ۱۹۹۷. Nonlinear prediction ...
  • McCormak, M., P. 1991. Neural Networks in the Petroleum Industry, ...
  • Olatunji, S.O., Selamat, A., Abdulraheem, A. 2011. Modeling the permeability ...
  • A Case Study from The Roberts Unit, Wasson Field, Yoakum ...
  • Efficient performance . د 2005. ...
  • Quintero, L and Boyd, A. 1999. Comparison of Permeability from ...
  • Rolon, L.F., Mohaghegh, S., Ameri, S., Gaskari, 2005. ...
  • Rosipal R. and Trejo L.J. 2004. Kernel partial least squares ...
  • Saemi M., Ahmadi M., and Yazdian Varjani A. 2007. Design ...
  • Sanchez D. V. ۲۰۰۳. Advanced support vector machines and kernel ...
  • Scholkopf, B., and Smola, A. 2002. Learning with kernels - ...
  • Scholkopf, B., Smola A.J., and Muller K.R. 1998. Nonlinear component ...
  • rediscovered Neural Networks, (6), pp.1 033-1034. ...
  • Stefano M., and Giuseppe J. 2006. Terminated Ram p-Support Vector ...
  • Osborne, D.A. 1992. Permeability Estimation Using a Neural Network: A ...
  • Timur, A. 1968. An Investigation of Permeability, Porosity, Residual Water ...
  • Timur, A., ۱۹۶۹. Pulsed NMR Studies of Porosity, Movable Fluids, ...
  • Tixier, M.P. 1949. Evaluation of Permeability from Electric-Log Resistivity gradients, ...
  • Tipping, M. E. 2001. Sparse Bayesian leaning and relevance vector ...
  • Walczack, B., and Massart, D.L. 1996. The radial basis functions- ...
  • Wang, K., He, B., Chen, R. 2007. Predicting Parameters of ...
  • Support Vector Machines: Theory and Applications, . د Wang, L. ...
  • Wang, W.J., Xu, Z.B., Lu, W.Z., and Zhang, X.Y. 2003. ...
  • Widodo, A., and Yang, B. S. 2008. Wavelet support vector ...
  • for permeability prediction in petroleum reservoir. Neural Networks for Signal ...
  • Wyllie, M.R.J. and Rose, W.D. 1950. Some Theoretical Co nsiderations ...
  • Zhang, H., and Malik, J. 2005. Selecting shape features using ...
  • Wong, K.W., Gedeon, T.D. 2000. _ A modular signal processing ...
  • Zhang, Y.J. and Lollback, P.A., Salisch, H.A., Stuart, W.J. 1996. ...
  • علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز:
    تعداد مقالات: ۸۷۷۱
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

    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.