ارزیابی دقت دو روش شبکه عصبی مصنوعی و ΔLogR در زمینه سنجش ماده آلی کل سنگهای منشاء
Publish place: 6th National Geological Conference of Payame noor University
Publish Year: 1390
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 824
This Paper With 6 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
PNUGEO05_075
تاریخ نمایه سازی: 13 اردیبهشت 1392
Abstract:
امروزه بهمنظور اجتناب از هزینههای فراون آنالیزهای آزمایشگاهی استفاده از روشهای آماری متداول میباشد. بدلیل آنکه سنگهای منشاء از چگالی کمتری نسبت به دیگر لایه ها برخوردار بوده و از طرفی سرعت عبور موج، تخلخل و مقاومت بیشتری را نشان میدهند، از نگارههای چاه پیمایی به منظور شناسایی این سنگها و بعنوان شاخصی جهت تعیین توان هیدروکربنی آنها استفاده میگردد. در این مطالعه به منظور مقایسه نتایج دو روش ΔLogR و شبکه عصبی مصنوعی، تعداد 16 نمونه توسط دستگاه راکایول 6 مورد آنالیز قرار گرفت. سپس در همان نقاط و با استفاده از تغییرات نگارههای چاهپیمایی مقاومتی و صوتی، و شاخص LOM، امکان سنجش مقدار ماده آلی کل (TOC) از طریق روشهای ΔLogR و شبکه عصبی مصنوعی میسر گردید. در نهایت مقادیر کربن آلی کل بدست آمده از این روشها با مقادیر واقعی حاصل از پیرولیز راکایول مورد مقایسه قرار گرفت. نتایج نشان داد که دقت روش شبکه عصبی مصنوعی ( 99 %) به مراتب بالاتر از روش (60%) ΔLogR بوده و مجذور خطای میانگین آن بسیار کمتر از روش ΔLogR است (ANN: 0/07 و ΔLogR: 0/98) مقایسه نتایج حاصل از روش ΔLogR با مقادیر واقعی نشان داد که دقت نتایج این روش در نمونه های واجد مقادیر TOC بالا و سنگ شناسیهای شیلی به مراتب بالاتر از دقت آن در نمونه های حاوی مقادیر TOC کم و سنگ شناسیهای آهکی است. در نهایت، قابلیت بسیار بالای شبکه عصبی مصنوعی در سنگ شناسی های گوناگون و مقادیر مختلف TOC، کارایی بالاتر این روش را در زمینه سنجش میزان ماده آلی سنگهای منشاء اثبات میکند.
Keywords:
Authors
خالد معروفی
دانشجوی کارشناسی ارشد رشته زمین شناسی نفت، دانشکده علوم زمین دانشگاه
بهرام علیزاده
دانشیار دانشکده علوم زمین دانشگاه شهید چمران اهواز
محمد حسین حیدری فرد
ژئوشیمیست ارشد شرکت ملی مناطق نفتخیز جنوب
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 :