مقایسه دو روش ΔlogR و شبکه عصبی آموزش دیده توسط الگوریتم ABC جهت تخمین مقدارکل کربن آلی برای سازندکوکاتیاشیل درحوضه پرت
Publish place: 1st Conference on Iranian Applied Geochemistry
Publish Year: 1392
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 516
This Paper With 9 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:
CIAG01_048
تاریخ نمایه سازی: 29 تیر 1393
Abstract:
در شیل های گازی مقدار محتوای ماده آلی یکی از پارامترهای مهم در ارزیابی مخزن می باشد. روش های مختلفی برای تخمین مقدار کل کربن آلی وجود دارد که از این میان می توان به روش ΔlogR اشاره کرد. در سال های اخیر بر روی تخمین این مقدار با استفاده از روش های هوشمند از قبیل شبکه عصبی مطالعاتی انجام شده است. در این مقاله با استفاده از شبکه عصبی چند لایه و به کارگیری الگوریتم بهینه سازی کلونی زنبورهای عسل، مقدار کل کربن آلی در سازند کوکاتیاشیل در حوضه پرت از استرالیای غربی تخمین زده شده است. با مقایسه دو روش به کار گرفته شده بین داده های واقعی و تخمین زده شده روش شبکه عصبی دارای ضریب رگرسیون 0/88 و روش ΔlogR مقدار ضریب رگرسیون 0/7 را نتیجه داد که دقت بالای روش شبکه عصبی را نشان می دهد.
Keywords:
مقدار کل کربن آلی- شبکه عصبی- الگوریتم کلونی زنبورهای عسل- ΔlogR
Authors
سعید واعظیان
دانشگاه شاهرود، مهندسی معدن، نفت و ژئوفیزیک
بهزاد تخم چی
دانشگاه شاهرود، دانشکده مهندسی معدن، نفت و ژئوفیزیک
محمدرضا رضایی
دانشگاه کرتین استرالیا، دانشکده مهندسی نفت
احمد واعظیان
دانشگاه شاهرود، دانشکده مهندسی معدن، نفت و ژئوفیزیک
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 :