تخمین مقاومت فشارشی تک محوره (UCS) سنگ با استفاده از شیوه های مختلف هوش مصنوعی (AI)
محل انتشار: دومین کنفرانس ملی ژئومکانیک نفت
سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 843
فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
NPGC02_046
تاریخ نمایه سازی: 10 تیر 1396
چکیده مقاله:
مطالعات گسترده و یکپارچه مخزن، بخش اصلی واجتناب ناپذیر مدیریت مخزن است. یکی از ابعاد مهم این مدول الاستیک و ضریب مطالعه،تخمین پارامترهای مکانیک سنگ مخزن (مقاومت فشاری تک محوری پواسون) میباشد. دسترسی به این پارامترها در مباحثی مانند بررسی دیواره و طراحی شکاف و برنامه حفاری بسیار مهم هستند. مقاومت فشاری عبارت است از ظرفیت تحمل یک جسم، مصالح ساختمانی یا سازه در مقابل نیروهای فشاری محوری مستقیم. هنگامی که حد مقاومت فشاری یک ماده فرا میرسد، آن ماده منهدم خواهد شد. هدف از این مطالعه تخمین ضریب UCS (مقاومت فشارشی تک محوره) با استفاده از داده های چگالی سنگ(RHOB) تخلخل(PHIE) و اشباع آب (SW) است. در این پروژه برای مدل سازی USC از سه سیستم هوشمند شبکه عصبی چند لایه (MLP)، سیستم های انطباقی منطق فازی (ANFIS) و معادلات ژنتیکی (GEP) استفاده شده است. براساس نتایج به دست آمده، تمامی شبکههای طراحی شده از عملکرد قابل قبولی جهت پاسخ به سوال طراحی شده (تخمین ضریب UCS سنگ) برخوردارند و انتخاب دقیقترین شبکه کاملا بستگی به کمیت و کیفیت جامعه آماری دادههای استفاده شده دارد. به عنوان مثال برای بسته دادهای اعتبارسنجی مورد استفاده در این مطالعه، شبکه ANFIS تاحدودی بهتر عمل کرده است.
کلیدواژه ها:
مقاومت فشارشی تک محوره (UCS) ، هوش مصنوعی (AI) ، شبکه های عصبی مصنوعی (ANN) ، سری کامل نمودارهای پتروفیزیکی(Fullset)
نویسندگان
عبدالجواد عساکره
دانشجوی کارشناسی ارشد، دانشگاه آزاد اسلامی واحد امیدیه
مصیب کمری
مهندس ارشد پتروفیزیک، شرکت ملی مناطق نفتخیز جنوب
محمد آبدیده
دکترای زمین شناسی، دانشگاه آزاد اسلامی واحد امیدیه
علی عرفانی نیا
رییس برنامه ریزی تلفیقی و کنترل پروژه ها، شرکت ملی مناطق نفت خیز جنوب
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 :