CIVILICA We Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

Prediction of Porosity logs From Petrophysic Data Using Soft-Computing Method in Persian Gulf Gas field

اعتبار موردنیاز : ۱ | تعداد صفحات: ۷ | تعداد نمایش خلاصه: ۱۵۴۳ | نظرات: ۰
سرفصل ارائه مقاله: Energy and Environment - Other
سال انتشار: ۱۳۸۷
کد COI مقاله: ISME16_741
زبان مقاله: انگلیسی
حجم فایل: ۸۳۶.۷۸ کیلوبایت (فایل این مقاله در ۷ 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.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۷ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳,۰۰۰ تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله Prediction of Porosity logs From Petrophysic Data Using Soft-Computing Method in Persian Gulf Gas field

   Alimadadi - Islamic Azad University, North Tehran Branch, Tehran, Iran,
   Behroozi - Iran University of Science and Technology, Tehran, Iran
   Sadati - Mechanical Engineering, K.N.Toosi University of Technology, Tehran, Iran

چکیده مقاله:

Obtaining physical reservoir characteristics is extremely important and necessary to determine the correlations, productions, and field development. Reservoir characteristics include porosity, permeability, cementation, and the like which are obtained from petrophysic and petrographic analyses. From these properties porosity is the most important static property of petroleum reservoirs that can be used
to perceive permeability, fluid behaviors, capillary pressure, and sedimentological interpretations. One of the goals of prediction, accomplished in this paper, is to find out the missed porosity logs to interpret a gas reservoir in the well due to available and suitable petrophysical logs gathered from near wells. In some wells, we cannot measure a number of petrophysical properties whereas wells are maybe washed out or the borehole tools are not available for old wells. Therefore, petroleum geologist should pursue some methods to transfer accessible data into faulty wells. It means that they predict missed data using information which is available in its near wells. For prediction purposes of this property, “Resistivity
Logs”, “Gamma Ray Log”, and “Sonic Log” will have to be used as input information. The relationships of porosity logs versus the logs mentioned above are absolutely nonlinear. Soft computing methods are one of the powerful approaches used to identify lost data.

کلیدواژه‌ها:

Density and neutron logs, Neural Network, Petrographic data, Petrophysic data, Prediction, well logging

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-ISME16-ISME16_741.html
کد COI مقاله: ISME16_741

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:
Alimadadi, ; Behroozi & Sadati, ۱۳۸۷, Prediction of Porosity logs From Petrophysic Data Using Soft-Computing Method in Persian Gulf Gas field, شانزدهمین کنفرانس سالانه مهندسی مکانیک, کرمان, دانشکده فنی مهندسی دانشگاه شهید باهنر, https://www.civilica.com/Paper-ISME16-ISME16_741.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: (Alimadadi, ; Behroozi & Sadati, ۱۳۸۷)
برای بار دوم به بعد: (Alimadadi; Behroozi & Sadati, ۱۳۸۷)
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 Ouahed, A., Tiab, D., and Mazouzi, A., 2005, *Application ...
  • Ali, M., Chawathe, A., 2000, *Using artificial intelligence to predict ...
  • Saemi, M., Ahmadi, M., Yazdiyan Varjani, A., of neural networks ...
  • Lim, J-S., 2005, ،#Reservoir properties determination using fuzzy logic and ...
  • Yuantu, H., Tom D. G., Patrick M. W., 2001, 40An ...
  • Mohaghegh, S., Arefi, R., Ameri, S., and Rose, D., and ...
  • S. Haykin, 1999, ،0Artificial Neural Networks; a c omprehensive foundation?, ...
  • علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه آزاد
    تعداد مقالات: ۵۲۶۶
    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.