CIVILICA We Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

به کارگیری شبکه عصبی هوشمند جهت پیش بینی تراوایی سازند با استفاده از داده های چاه پیمایی

اعتبار موردنیاز : ۱ | تعداد صفحات: ۱۲ | تعداد نمایش خلاصه: ۸۲۶ | نظرات: ۰
سال انتشار: ۱۳۹۲
کد COI مقاله: RESERVOIR02_029
زبان مقاله: فارسی
حجم فایل: ۳۱۱.۸۸ کیلوبایت (فایل این مقاله در ۱۲ 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 ۱۲ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳,۰۰۰ تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله به کارگیری شبکه عصبی هوشمند جهت پیش بینی تراوایی سازند با استفاده از داده های چاه پیمایی

آرش ربیعی - فارغ التحصیلکارشناسی ارشد نفت مخازن هیدروکربوری، دانشکده نفت اهواز
  حسین صیاد - مهندسی نفت مخازن هیدروکربوری، دانشگاه علوم و تحقیقات تهران

چکیده مقاله:

تراوایی یکی از پارامترهای کلیدی جهت توصیف و مدل سازی مخازن می باشد. علی رغم پیشرفت های زیاد در روش های مختلف ارزیابی تراوایی همچون چاه آزماییو چاه پیمایی، همچنان دقیق ترین روش اندازه گیری تراوایی، آنالیز مغزه می باشد که روشی پر هزینه و زمانبر بوده و در عین حال نتایج آن تنها برای تعداد معدود و عمق محدودی از چاه ها موجود می باشد. به علت موجود بودن داده های مربوط به چاه پیمایی تقریبا در تمامی چاه های حفاری شده، تلاش های زیادی جهت برقراری رابطه ای منطقی بین داده های چاه پیمایی و تروایی حاصل از آنالیز مغزه حاصل گردیده است.تحقیقات گذشته نشان داده است که روش های هوشمند همچون شبکه های عصبی مصنوعی به خاطر قابلیتشان در حل مسائل پیچیده، به خوبیتوانایی پیش بینی تراوایی را از داده های چاه پیمایی دارا می باشند. در این مطالعه مدلی بر اساس شبکه عصبی پیش رونده برای پیش بینی میزان تراوایی مخزن با استفاده از داده های چاه پیمایی ارائه شده است. نتایج حاصل از عملکرد شبکه عصبی به کار گرفته شده نشان می دهد که شبکه موجود با خطای میانگین مربعات(Mean square error, MSE)0.0022 و ضریب تعیین (Coefficient of determination, R2)0.9874کاندیدای مناسبی جهت پیش بینی تراوایی مخزن توسط داده های چاه پیمایی می باشد.

کلیدواژه‌ها:

شبکه عصبی مصنوعی، تراوایی، چاه پیمایی، الگوریتم پس انتشار

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-RESERVOIR02-RESERVOIR02_029.html
کد COI مقاله: RESERVOIR02_029

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:
ربیعی, آرش و حسین صیاد، ۱۳۹۲، به کارگیری شبکه عصبی هوشمند جهت پیش بینی تراوایی سازند با استفاده از داده های چاه پیمایی، دومین همایش مهندسی مخازن هیدروکربوری، علوم و صنایع مرتبط، تهران، هم اندیشان انرژی کیمیا، https://www.civilica.com/Paper-RESERVOIR02-RESERVOIR02_029.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: (ربیعی, آرش و حسین صیاد، ۱۳۹۲)
برای بار دوم به بعد: (ربیعی و صیاد، ۱۳۹۲)
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 :

  • E. A. El-Sebakhy, O. Asparouhov, A.-A. Abdulraheem, A.-A. Al-Majed, D. ...
  • S. O. Olatunji, A. Selamat, and A Abdulraheem, "Modeling the ...
  • G. R. Coates and J. L. Dumanoir, " A NEW ...
  • W. W. Johnson, "Permeability Determination From Well Logs and Core ...
  • H. Kaydani, A. Mohebbi, and A. Baghaie, "Permeability prediction based ...
  • M. BEYKI, B. H. RAH IMPOUR, G. HOS SEINYAR, and ...
  • S. Mohaghegh, R. Arefi, S. Ameri, and D. Rose, "Design ...
  • Data: Part 2-Verifiable, Accurate Permeability Predictions, the Touch-Stone of All ...
  • the Use of Neural Networks, " presented at the SPE ...
  • learning algorithm, " Computers & Geosciences, vol. 26, pp. 907-913, ...
  • limited data, " Journal of Petroleum Science and Engineering, vol. ...
  • permeability prediction, " Journal of Petroleum Science and Engineering, vol. ...
  • logsand limited core plug analysis data using backpropagati _ artificial ...
  • J. Wiener, J. Rogers, and B. Moll, "Predict permeability from ...
  • S. Mohaghegh, B. Balan, and S. Ameri, _ S tate-Of-The-At ...
  • K. Aminian, H. I. Bilgesu, S. Ameri, and E. Gil, ...
  • K. Aminian, B. Thomas, H. Bilgesu, S. Ameri, and A. ...
  • P. M. Wong, M. Jang, S. Cho, and T. D. ...
  • K. Aminian and S. Ameri, "Application of artificial neural networks ...
  • P. Tahmasebi and A. Hezarkhani, "A fast and independent architecture ...
  • G. Arpat, F. Gimrah, and B. Yeten, "The neighborhood approach ...
  • S. Mohaghegh, "Virtual intelligence and its applications in petroleum engineering, ...
  • C. M. Bishop, Neural networks for pattern recognition: Oxford university ...
  • K. Hornik, M. Stinchcombe, and H. White, "Multilayer feedforward networks ...
  • C.-H. Chen and Z.-S Lin, "A committe machine with empirical ...
  • M. T. Hagan and M. B. Menhaj, "Training feedforward networks ...
  • S. S. Haykin, Neural networks: _ comprehensive foundation: Prentice Hall ...
  • P. Coulibaly and C. K. Baldwin, "Nonstationary hydrological time series ...
  • 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 پیشنهادی مرتبط

    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.