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

Artificial intelligence: a proper approach for prediction of water saturation in hydrocarbon reservoir

اعتبار موردنیاز: ۱ | تعداد صفحات: ۱۶ | تعداد نمایش خلاصه: ۵۶۸ | نظرات: ۰
سال انتشار: ۱۳۹۰
نوع ارائه: پوستر
کد COI مقاله: IPEC03_126
زبان مقاله: انگلیسی
حجم فایل: ۴۲۰.۶۴ کلیوبایت (فایل این مقاله در ۱۶ 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 ۱۶ 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 Artificial intelligence: a proper approach for prediction of water saturation in hydrocarbon reservoir

  A Hosseini - Faculty of mining and petroleum engineering, Shahrood University of Technology
  A Kamkar Rouhani - Faculty of mining and petroleum engineering, Shahrood University of Technology
  A Roshandel - Faculty of mining and petroleum engineering, Shahrood University of Technology
J Hanachi - Iranian Offshore Oil Company

چکیده مقاله:

Water saturation (Sw) is a significant petrophysical parameter usually used for reservoir estimation and production. This parameter is one of the mostdifficult petrophysical properties to determine and predict. The conventional methods for water saturation determination are core analysis and well testdata. These methods are, however, very expensive and time-consuming. One of the comparatively inexpensive and readily available sources ofinferring Sw is from well logs. In recent decades, artificial Intelligent (AI) has many applications in the petroleum engineering as well as other areas ofresearch. The aim of this paper is to use two diverse machine learning technology named back-propagation neural network (BPNN) and generalregression neural network (GRNN) for predicting the water saturation of four wells in Burgan reservoir, south of Iran. Comparing the obtainedresults of these two methodologies has shown that BPNN is a faster and precious method than GRNN in prediction of water saturation.

کلیدواژه‌ها:

porosity, well log data, petrophysics, general regression neural network, back-propagation neural network

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_126.html
کد COI مقاله: IPEC03_126

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:
Hosseini, A; A Kamkar Rouhani; A Roshandel & J Hanachi, ۱۳۹۰, Artificial intelligence: a proper approach for prediction of water saturation in hydrocarbon reservoir, سومین کنگره ملی مهندسی نفت, تهران, انستیتو مهندسی صنعت نفت, https://www.civilica.com/Paper-IPEC03-IPEC03_126.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: (Hosseini, A; A Kamkar Rouhani; A Roshandel & J Hanachi, ۱۳۹۰)
برای بار دوم به بعد: (Hosseini; Kamkar Rouhani; Roshandel & Hanachi, 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 :

  • Artun, E., Mohaghegh, S., Toro, J., Wilson, T., Sanchez, A. ...
  • Bhatt, A. 2002. Reservoir Properties From Well Logs Using Neural ...
  • Coates, G.R., Xiao, L. and Prammer, M. G. 1999. _ ...
  • Cybenko G. 1989. Approxi mation by superposition of a sigmoidal ...
  • Demuth, H., Beale, M. 2002. Neural Network Toolbox for Use ...
  • Hagan M T, Demuth H B, Beale M H. 1996. ...
  • Haykin S. 1994. Neural networks: A _ prehensive foundation (2nd ...
  • Hornik K, Stinchcombe M, White H. 1989. Multlayer feed forward ...
  • Williamson M., and Katsube J. 1996. Permeability prediction with , ...
  • Huang, Z., Williamson, M. 1994. Geological pattern recognition and modeling ...
  • Lin, J.L and Salisch, H.A. 1994. Determination from Well Logs ...
  • Liu H, Yao X, Zhang R, Liu M, Hu Z, ...
  • McCormak, M., P. 1991. Neural Networks in the Petroleum Industry, ...
  • Mohaghegh, S. 2000. Virtual Intelligence Applications In Petroleum Engineering : ...
  • Olatunji, S.O., Selamat, A., Abdulraheem, A. 2011. Modeling the permeability ...
  • Timur, A. 1968. An Investigation of Permeability, Porosity, and Residual ...
  • Wylie, M.R.J. and Rose, W.D. 1950. Some Theoretical Co nsiderations ...
  • 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.