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

Determination of the Reservoir Model from Well Test Data by using Artificial Neural Network

اعتبار موردنیاز: ۱ | تعداد صفحات: ۱۰ | تعداد نمایش خلاصه: ۱۷۶۹ | نظرات: ۰
سرفصل ارائه مقاله: سینتیک، طرح راکتور و کاتالیست
سال انتشار: ۱۳۸۴
کد COI مقاله: NICEC10_108
زبان مقاله: انگلیسی
حجم فایل: ۵۳۰.۴۵ کلیوبایت (فایل این مقاله در ۱۰ 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 ۱۰ 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 Determination of the Reservoir Model from Well Test Data by using Artificial Neural Network

   Kharrat - Petroleum University of technology, PUT Tehran research center
   Razavi - Petroleum University of technology, PUT Tehran research center

چکیده مقاله:

These days, neural networks have a wide range of usage in different fields of engineering. In this work this method is used to determine the reservoir model. Model identification followed by parameter estimation is a kind of visual process. Pressure Derivative Type curves which show more features are usually used to determine reservoir model, but this identification is based on the shape of the curve not on any calculation. So, it is difficult to change this kind of visual process to an algorithm that can be used by computers.
In fact model identification is a pattern recognition which is best done by an Artificial Neural Network. If neural networks are learned successfully, they are able to categorize different shapes to different groups due to their visual characterization. So, these networks are so useful and are used here. In this work it is shown how to train, examine and use neural networks to analyze well test data. Input of neural network is fifty points of normal pressure derivative type curve. Each network is trained based on a specific model. The output of the network is number between zero and one. This number gives the probability of the occurrence of the fed curve to the related model. The tuned model provided a high accuracy.

کلیدواژه‌ها:

Reservoir Model,Well Test, ANN

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-NICEC10-NICEC10_108.html
کد COI مقاله: NICEC10_108

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:
Kharrat, & Razavi, ۱۳۸۴, Determination of the Reservoir Model from Well Test Data by using Artificial Neural Network, دهمین کنگره ملی مهندسی شیمی ایران, زاهدان, دانشگاه سیستان و بلوچستان, https://www.civilica.com/Paper-NICEC10-NICEC10_108.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: (Kharrat, & Razavi, ۱۳۸۴)
برای بار دوم به بعد: (Kharrat & Razavi, ۱۳۸۴)
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 :

  • Robert.C. Earlougher Jr, ،Advanced in Well Test Analysis?, SPE monograph, ...
  • C.S. Matthews, D.G. Russel , ،Pressure Build up and Flow ...
  • Lecture Notes by Dr. Shadizadeh, ،0 Advanced in Transient wel ...
  • Dr. Bagher Manhaj, «Artificial Inelegance", Vols 1, 2 _ Polytechnic ...
  • H.J. Ramey Jr., ،$Short Time Well Test Interpretation in the ...
  • Robert C. Earlougher Jr., keith M. Kersch, «Analysis Short Time ...
  • Dominique Bourdet, J.A. Ayoub, Y.M. Pirard, _ of the Pressure ...
  • G. Stewart, Kui Fu Du, ،Fracture Selection and Extraction for ...
  • Oliver F. Aliain, Ronald N. Horne, ? Use of Artificial ...
  • A.U. Al-Kaabi, W.J. Lee, ،0An Artificial Neural Network Approach _ ...
  • H.Scott Lane, W. John Lee , A. Ted Watson, ،0An ...
  • Oliver Aliain, O.P. Houze, _ Practical Artiticial Intelligence In Well ...
  • Part 3: _ Catalysis 858 _ 13. O.P. Houze, O.F. ...
  • Suwart Athi chanagorn, Roland N. Home, "Automatic Parameter Estimation from ...
  • Anraku T., Horne R.N., "Discrim ination between Reservoir Models in ...
  • Wonmo Sung, Inhang Yoo, Seunghoon Ra, Heungiun Park, . "Development ...
  • Yuanzhong Deng, Qinlei Chen, Jiahong wang, "An Artificial Neural Network ...
  • Daungkaew, F. Hollaender, A.C. Gringarten, "Frequently Asked Questions in Well ...
  • Marcell Bougeoi, Elf Aquitaine, "Well Test Interpretation using Laplace space ...
  • Gerald, Wheatley, "Applied Numerical Analysis", Sixth Edition, Edition Wesley ...
  • علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز:
    تعداد مقالات: ۲۱۲۲
    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.