ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
CIVILICAWe Respect the Science
Publisher of Iranian Journals and Conference Proceedings
Paper
Title

Relevance Vector Machine: a new approach for permeability prediction of petroleum reservoirs

Year: 1390
COI: IPEC03_116
Language: EnglishView: 781
This Paper With 21 Page And PDF Format Ready To Download

Buy and Download

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این Paper را که دارای 21 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

Authors

R Gholami - PhD student, Faculty of Mining, Petroleum and Geophysics, Shahrood University of Technology,Iran,
R Rooki - PhD student, Faculty of Mining, Petroleum and Geophysics, Shahrood University of Technology,Shahrood, Iran
A Moradzadeh - Prof. of geophysical exploration, Faculty of Mining, Petroleum and Geophysics, Shahrood University of Technology, Shahrood, Iran

Abstract:

Permeability is one of the most important rock properties showing the ability of rocks in the conduct of fluids such as oil, water and gas throughthe pore spaces of reservoir. It is one of the most difficult petrophysicalproperties to determine and predict. The conventional methods for permeability determination are core analysis and well test data. Thesemethods are, however, very expensive and time-consuming. One of thecomparatively inexpensive and readily available sources of inferringpermeability is from well logs. In addition, artificial Intelligent (AI) has many applications in the petroleum engineering and permeability prediction over the past decade. The aim of this paper is to introduce a novel machine learning technology called Relevance Vector Machine(RVM) for predicting the permeability of three gas wells in southern Pars field. Comparing the obtained results of the RVM with that of support vector machine (SVM) has shown that RVM is a better and precious method than SVM in prediction of permeability.

Keywords:

Relevance vector machine, Permeability, Prediction,Southern Pars Field, Support vector machine

Paper COI Code

برای لینک دهی به این Paper می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت Paper در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/260091/

How To Citation:

در صورتی که می خواهید در اثر پژوهشی خود به این Paper ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
Gholami, R and Rooki, R and Moradzadeh, A,1390,Relevance Vector Machine: a new approach for permeability prediction of petroleum reservoirs,سومین کنگره ملی مهندسی نفت,تهران,,,https://civilica.com/doc/260091

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این Paper اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1390, Gholami, R؛ R Rooki and A Moradzadeh)
برای بار دوم به بعد: (1390, Gholami؛ Rooki and Moradzadeh)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

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 مPaperقاله لینک شده اند :

  • Hwei-Jen L., and Jih Pin Y. 2009. Optimal reduction of ...
  • Mukherjee S., Osuna E., and Girosi F. 1997. Nonlinear prediction ...
  • Sanchez D. V. 2003. Advanced support vector machines and kernel ...
  • Timur, A., 1969. Pulsed NMR Studies of Porosity, Movable Fluids, ...
  • Ahmed, U., Crary, S.F., Coats, G.R. 1991. Permeability estimation: the ...
  • Artun, E., Mohaghegh, S., Toro, J., Wilson, T., Sanchez, A. ...
  • State -Of-Th e-Art in . د Balan, B., Mohaghegh, S., ...
  • Bhatt, A. 2002. Reservoir Properties From Well Logs Using Neural ...
  • Chih-Hung W., Gwo-Hshiung T., and Rong-Ho L. 2009. A Novel ...
  • Log Derived Permeability, SPWLA 14th Annual Logging Symposium. Coates, G.R., ...
  • Daigle, H., Dugan, B. 2009. Extending NMR data for permeability ...
  • Demuth, H., Beale, M. , 20 02."Neural Network Toolbox For ...
  • Eryarsoy E., Koehler, Gary J. and Aytug H. 2009. Using ...
  • permeability and skin factor of oil, Journal of Petroleum Science ...
  • Jeng J.T., Chuang C.C., and Su S.F. 2003. Support vector ...
  • Bishop, C. M. 2006. Pattern Recognition and Machine Learning, Springer, ...
  • Coates, G.R. and Dumanoir, J.L. 1973. A New Approach to ...
  • Johnson, W.W. 1994. Permeability Determination From Well Logs and Core ...
  • Keerthi, S. S., and Lin, C. J. 2003. Asymptotic behaviors ...
  • Lia Q., Licheng J., and Yingjuan H. 2007. Adaptive simplification ...
  • Lin, H. T., and Lin, C. J. 20 03. A ...
  • Lin, J.L and Salisch, H.A. 1994. Determination from Well Logs ...
  • Liu H, Yao X, Zhang R, Liu M, Hu Z, ...
  • RE2.1, Society of Exploration Geophysicists _ Expanded Abstracts with Biographies, ...
  • Mohaghegh, S., Arefi, R., Ameri, S., Rose, D. 1994. Design ...
  • McCormak, M., P. 1991. Neural Networks in the Petroleum Industry, ...
  • Olatunji, S.O., Selamat, A., Abdulraheem, A. 2011. Modeling the permeability ...
  • A Case Study from The Roberts Unit, Wasson Field, Yoakum ...
  • Efficient performance . د 2005. ...
  • Quintero, L and Boyd, A. 1999. Comparison of Permeability from ...
  • Rolon, L.F., Mohaghegh, S., Ameri, S., Gaskari, 2005. ...
  • Rosipal R. and Trejo L.J. 2004. Kernel partial least squares ...
  • Saemi M., Ahmadi M., and Yazdian Varjani A. 2007. Design ...
  • Scholkopf, B., and Smola, A. 2002. Learning with kernels - ...
  • Scholkopf, B., Smola A.J., and Muller K.R. 1998. Nonlinear component ...
  • rediscovered Neural Networks, (6), pp.1 033-1034. ...
  • Stefano M., and Giuseppe J. 2006. Terminated Ram p-Support Vector ...
  • Osborne, D.A. 1992. Permeability Estimation Using a Neural Network: A ...
  • Timur, A. 1968. An Investigation of Permeability, Porosity, Residual Water ...
  • Tixier, M.P. 1949. Evaluation of Permeability from Electric-Log Resistivity gradients, ...
  • Tipping, M. E. 2001. Sparse Bayesian leaning and relevance vector ...
  • Walczack, B., and Massart, D.L. 1996. The radial basis functions- ...
  • Wang, K., He, B., Chen, R. 2007. Predicting Parameters of ...
  • Support Vector Machines: Theory and Applications, . د Wang, L. ...
  • Wang, W.J., Xu, Z.B., Lu, W.Z., and Zhang, X.Y. 2003. ...
  • Widodo, A., and Yang, B. S. 2008. Wavelet support vector ...
  • for permeability prediction in petroleum reservoir. Neural Networks for Signal ...
  • Wyllie, M.R.J. and Rose, W.D. 1950. Some Theoretical Co nsiderations ...
  • Zhang, H., and Malik, J. 2005. Selecting shape features using ...
  • Wong, K.W., Gedeon, T.D. 2000. _ A modular signal processing ...
  • Zhang, Y.J. and Lollback, P.A., Salisch, H.A., Stuart, W.J. 1996. ...
  • Research Info Management

    Certificate | Report | من نویسنده این مقاله هستم

    اطلاعات استنادی این Paper را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    علم سنجی و رتبه بندی Paper

    مشخصات مرکز تولید کننده این Paper به صورت زیر است:
    نوع مرکز: دانشگاه دولتی
    تعداد مقالات: 7,663
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

    مقالات پیشنهادی مرتبط

    New Papers

    Share this page

    More information about 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.

    Support