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

Permeability Estimation by Artificial Intelligence Methods from Wireline Logs; A Case Study From One of the Iranian Oil Reservoirs

اعتبار موردنیاز: ۱ | تعداد صفحات: ۱۷ | تعداد نمایش خلاصه: ۴۳۸ | نظرات: ۰
سال انتشار: ۱۳۹۰
نوع ارائه: پوستر
کد COI مقاله: IPEC03_154
زبان مقاله: انگلیسی
حجم فایل: ۴۹۷.۰۳ کلیوبایت (فایل این مقاله در ۱۷ 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 ۱۷ 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 Permeability Estimation by Artificial Intelligence Methods from Wireline Logs; A Case Study From One of the Iranian Oil Reservoirs

  Haniyeh Jalayeri - Department of Mining, Petroleum and Geophysics Engineering, Shahrood University of Technology
  Amin Malekpoor - Department of Mining, Metallurgy and Petroleum Engineering, Amirkabir University of Technology
  Aboulghasem Kamkar Rouhani - Department of Mining, Petroleum and Geophysics Engineering, Shahrood University of Technology
  Mansour Ziaii - Department of Mining, Petroleum and Geophysics Engineering, Shahrood University of Technology

چکیده مقاله:

Reservoir characterization plays a crucial role in modern reservoir management.The reservoir characteristics include porosity, permeability, facies distribution, anddepositional environment. Permeability is an important parameter associated with the characterization of hydrocarbon reservoirs. Estimation of permeability fromwireline logs is important yet difficult task to encounter in geophysical formation evaluation. This study was carried out permeability estimation in a carbonate gasreservoir with the artificial intelligence methods. Fuzzy logic and neuro-fuzzy method that based on fuzzy logic presented good results. It’s shown in present work, when the number of data is low and the formation is complex (such as carbonate reservoirs), the methods based on fuzzy logic will have appropriate performance

کلیدواژه‌ها:

Permeability; Fuzzy logic; Neuro-fuzzy method; Carbonate gas reservoir

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_154.html
کد COI مقاله: IPEC03_154

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:
Jalayeri, Haniyeh; Amin Malekpoor; Aboulghasem Kamkar Rouhani & Mansour Ziaii, ۱۳۹۰, Permeability Estimation by Artificial Intelligence Methods from Wireline Logs; A Case Study From One of the Iranian Oil Reservoirs, سومین کنگره ملی مهندسی نفت, تهران, انستیتو مهندسی صنعت نفت, https://www.civilica.com/Paper-IPEC03-IPEC03_154.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: (Jalayeri, Haniyeh; Amin Malekpoor; Aboulghasem Kamkar Rouhani & Mansour Ziaii, ۱۳۹۰)
برای بار دوم به بعد: (Jalayeri; Malekpoor; Kamkar Rouhani & Ziaii, 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 :

  • El-Shahat Afify, W., Ibrahim Hassan, A., ۲۰۱ .Permeability and Porosity ...
  • Hurtado, N., Aldana, M., Torres, J., 20 09.Comparsion between neuro-fuzzy ...
  • Saemi, M., Ahmadi, M., 2008 .Integration of genetic algorithm and ...
  • Tahmasebi, P., Hezarkhani, A., 2010 .Application of Adaptive Neuro-Fuzzy Inference ...
  • 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 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.