پیش بینی تخلخل با استفاده از شبکه های عصبی مصنوعی و داده های چاه نگاری

Publish Year: 1382
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 1,670

This Paper With 8 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

SGSI07_113

تاریخ نمایه سازی: 1 مهر 1385

Abstract:

تعیین مشخصه های سنگ مخزن نقش بسیار مهمی در صنعت بالا دستی نفت بویژه در ارزیابی موفقیت اقتصادی استخراج نفت و توسعه مخزن ایفا می کند. تخلخل یکی از مهمترین این مشخصه هاست که در تعیین ذخیره مخزن ساخت مدلهای توسعه مخزن کاربرد اساسی دارد. تعیین تخلخل توسط روشهای کلاسیک با این اشکال مواجه است که علاوه بر داده های چاه نگاری به اطلاعات و داده های بیشتری در باره سنگ مخزن و سیالات مخزن در تمام عمق مخزن نیاز است که کسب این اطلاعات و داده ها نیاز به صرف هزینه و زمان زیادی دارد. تکنیک شبکه مصنوعی می تواند تا حد قابل قبولی این مشکل را حل کند. شبکه عصبی مصنوعی یکی از جدیدترین تکنیکهائی است که در صنعت نفت مورد استفاده قرار گرفته است. در این مطالعه با بکارگیری این تکنیک با استفاده از داده های چاه نگاری به عنوان ورودی این سیستم مقادیر قابل اطمینانی برای تخلخل بدست آورده شد. در این مالعه مقادیر پیش بینی شده تخلخل توسط این تکنیک با مقادیر واقعی که توس روشهای کلاسیک بدست آمده مورد مقایسه قرار گرفت که خطی با شیب 0/999 و ضریب همبستگی 0/98 بدست آمد. این نتیجه کارآمدی استفاده از تکنیک شبکه عصبی مصنوعی را ثابت می کند.

Authors

محمود نیکجو

دانشگاه صنعت نفت

محمدرضا زمانی

گروه زمین شناسی دانشگاه تهران

بهرام موحد

مدیریت اکتشاف شرکت ملی نفت

نادر ثابتی

مدیریت اکتشاف شرکت ملی نفت

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper 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 Paper لینک شده اند :
  • منهاج، محمد باقر، 1378، شبکه های عصبی مصنوعی، 350 ص، ...
  • Helle, H.B., Bhatt, _ and Ursin, B., 2001, Porosity and ...
  • AlI-Qahtani, F.A., 2000, Porosity distribution prediction using artificial neural networks, ...
  • نمایش کامل مراجع