مقایسه روش های شبکه عصبی خود سازنده و آنالیز خوشه ای برای ارزیابی مقدار کربن آلی در سازندهای محتوی هیدروکربن با استفاده از سیستم های هوشمند

Publish Year: 1392
نوع سند: مقاله ژورنالی
زبان: Persian
View: 48

This Paper With 14 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:

JR_PRRIP-23-75_011

تاریخ نمایه سازی: 4 دی 1402

Abstract:

محتوای کل کربن آلی یکی از پارامترهای مهم جهت ارزیابی ژئوشیمیایی لایه های تولید کننده نفت و گاز است. در این مطالعه، طی دو مرحله، محتوای کربن آلی در سازندهای هیدروکربندار با استفاده از دادههای لاگ ارزیابی شده است. در مرحله اول، دادههای لاگ به مجموعهای از الکتروفاسیسها تقسیمبندی شدهاند. روشهای استفاده شده برای شناسایی و خصوصیتبندی الکتروفاسیسها شامل: شبکههای عصبی خود سازنده و روش آنالیز خوشه ای می باشد. نتایج حاصل از هر دو روش با یکدیگر مقایسه شده و براساس آزمونهای ارزیابی خوشهای، بهترین روش برای خوشهبندی دادههای پتروفیزیکی در الکتروفاسیسهای معین مورد استفاده قرار گرفت. مقدار کل کربن آلی با استفاده از دادههای لاگ به وسیله روشهای خاص شبکه عصبی برای هر الکتروفاسیس برآورد شد. در مرحله دوم، مقدار کل کربن آلی با استفاده از همان روش خاص شبکه عصبی و بدون در نظر گرفتن الکتروفاسیسها تعیین گردید. نتیجه دو روش با یکدیگر و همچنین با روشΔlogR  مقایسه شد. نتایج نشان داد که خوشهبندی یک سازند به واحدهای مشخص (الکتروفاسیس) در مقایسه با مدل استخراج شده برای کل مجموعه دادهها بدون در نظر گرفتن خوشهبندی، مقدار کل کربن آلی سازند را با دقت بالاتری پیش‎بینی می‎نماید. در مجموع سیستمهای هوشمند نسبت به تکنیکهای قدیمی مبتنی بر روش ΔlogR مناسب‎تر میباشند. روش ارائه شده همراه با مثال موردی از بزرگ ترین مخزن گازی غیر همراه جهان، میدان گازی پارس جنوبی در حوضه خلیج فارس ارائه گردیده است.

Authors

ابراهیم سفیداری

دانشکده زمین شناسی، پردیس علوم، دانشگاه تهران

علی کدخدایی

گروه زمین شناسی، دانشکده علوم طبیعی، دانشگاه تبریز

محمد شریفی

دانشکده زمین شناسی، پردیس علوم، دانشگاه تهران

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 :
  • . نجاری س.، علیزاده ب.، کدخدایی علی.، "تخمین کل کربن ...
  • . Passey O. R., Moretti F. U. and Stroud J. ...
  • . Huang Z., Williamson M. A., “Artificial neural network modeling ...
  • . Fayos J. and Fayos C., “Wind data mining by ...
  • . Cassano E. N., Lynch A. H., Cassano J. J. ...
  • . Cole ou T., Poupon M. and Azbe K., “Unsupervised ...
  • . Strecker U. and Uden R., “Data mining of ۳D ...
  • . Kohonen T., Kaski S. and Lappalainen H., “Self-organized formation ...
  • . Mukherjee A., “Self-organizing neural network for identification of natural ...
  • . Astela A., Tsakovski S., Barbieri P. and Simeonov V., ...
  • . Kohonen T., “Self-Organizing Maps, Springer series in Information Sciences”, ...
  • . Tan P-N., “Steinbach M. and Kumar V. Introduction to ...
  • . Bhatt A ., Helle H. B., “Committee neural networks ...
  • . Bishop C. M., “Neural Networks for Pattern Recognition”, Clarendon ...
  • نمایش کامل مراجع