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

Permeability Prediction From Well Logging Data Using Neural Network

اعتبار موردنیاز: ۱ | تعداد صفحات: ۱۰ | تعداد نمایش خلاصه: ۱۶۷۸ | نظرات: ۰
سال انتشار: ۱۳۸۵
کد COI مقاله: NICEC11_330
زبان مقاله: انگلیسی
حجم فایل: ۲۰۲.۳۸ 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 Permeability Prediction From Well Logging Data Using Neural Network

Tabatabai - Petrophysics section ,E&P Department ,RIPI,Tehran,Iran
   Boozarjomehri - Chemical and Petroleum Engineering Department, Sharif University of Technology, Tehran, Iran
Badakhshan - Chemical and Petroleum Engineering Department, the University Of Calgary,Calgary, Alberta, Canada

چکیده مقاله:

In recent years, neural network applications have increased in many aspects of different branches of engineering, and petroleum engineering hasn’t been an exception. Asmari formation forms the reservoir rock of many Iranian carbonate fractured oil fields. Assessment of the petro-physical characteristics of such reservoir rock especially their dual permeabilities are very difficult. Rag-e-sefid reservoir which is located in south west of Iran is a highly heterogeneous fractured carbonate reservoir. Its average matrix permeability is low, but the presence of fractures compensates its poor matrix permeability giving high production rates potentialities. Data available from core analysis show that permeability ranges from less than 1 md. in some parts up to 600 md. in very thin zones. Fracture frequency is high, thus the magnitude of permeability is scattered and total permeability (matrix plus fracture permeability) cannot be predicted accurately. An innovative method is developed which can
predict permeability from geological logs using artificial neural networks. The proposed method is based on neuromorphic representation of permeability with a neural network whose inputs and output are well logs and core permeability, respectively .The performance of proposed method has been validated through its application in prediction of permeability of uncored wells. A conventional feed forward neural network has been used as neuromorphic model which maps input data (logging data ) to output data (core permeability) .

کلیدواژه‌ها:

Permeability ,Well Logging ,Neural Networks, Core

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-NICEC11-NICEC11_330.html
کد COI مقاله: NICEC11_330

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:
Tabatabai, ; Boozarjomehri & Badakhshan, ۱۳۸۵, Permeability Prediction From Well Logging Data Using Neural Network, یازدهمین کنگره ملی مهندسی شیمی ایران, تهران, دانشگاه تربیت مدرس, https://www.civilica.com/Paper-NICEC11-NICEC11_330.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: (Tabatabai, ; Boozarjomehri & Badakhshan, ۱۳۸۵)
برای بار دوم به بعد: (Tabatabai; Boozarjomehri & Badakhshan, ۱۳۸۵)
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 :

  • Zello, A.M, Quenes, _ _ Ban ik, A.K.:"lm proved Fracture ...
  • Mohaghegh , S ., Arefi , R., Ameri , S ...
  • Gharbi , R.B , Elsharkawy , A.M.:"Neural Network Model for ...
  • Mohaghegh , S.:Virtual Magnetic Resonance Logs, A Low Cost Reservoir ...
  • Al-Kaabi, A.U , Lee, W.j.:" An Artificial Neural Network Approach ...
  • Ligtenberg , J, H , Wansik , A, G.:*Neural Network ...
  • Kozeny , J.:"Uber Die Kpillare Leitung des Wassers im Boden ...
  • Timur , A.:An Investigation of Permeability and Porosity , and ...
  • Amaefule, J.O, et. al. :*Enhanced Reservoir Description :Using Core and ...
  • Mavko , G. , Nur, A. :"The Effect of A ...
  • Martys , N.S, Torquato , S., Bentz _ D. P.:"Universal ...
  • Xue , G . et. al. :"Optimal Transfom ation For ...
  • Coates , G.R. , Dumanation , I.L.:A New Approach to ...
  • Haykin, S.(1 994)."Neural Networks a Com perihensive foundation «IEEE Press ...
  • Boozarjom ehry, R.B, Svrcek, W .Y. :*Automatic Design of Neural ...
  • Mohaghegh , S , Balan, B , Ameri, S .: ...
  • M.T. Hagan, H.B. Demuth, M.H. Beale, "Neural Network Design", MA: ...
  • G.V. Cybenco, Mathematics of Control, Signals and Systems 2 (1989) ...
  • Beck, J., Schultz , A ., Fitzgerald , D., 1 ...
  • T. D .Van Golf-Racht. _ ndamentals of Factured Reservoir E ...
  • 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.