توسعه یک مدل داده محور بمنظور پیش بینی MMP بعنوان پارامترغربالگری روشهای تزریق گاز امتزاجی

دراین تحقیق ماشین بردارپشتیبان SVM بعنوان یک تکنیک هوشمند برای پیش بینی MMP (Minimum Miscible Pressure بااستفاده ازخواص مخزن و اطلاعات ماده تزریقی مورد بررسی قرارگرفته است اخیرا Support Vector Regression SVR برپایه تئوری یادگیری اماری بعنوان یک تکنیک هوشمند بمنظور انجام دسته بندی و پیش بینی پیشنهادشده است روابط ارایه شده برای SVM حاوی اصول ساختاری مینیمم کردن ریسک SRM می باشد که نسبت به روش سنتی - تجربی کمینه کردن ریسک ERM که درشبکه عصبی روشهای اماری کلاسیک استفاده میشود برتری دارد دراین تحقیق یک مدل پیشگویانه MMP برپایه SVR برای مخازن ناهمگن توسع داده شده است 6دسته داده ورودی ازمخزن و سیال تزریق گاز CO2 و .. به عنوان ورودی مدل انتخاب شده و داده های ورودی مدل ازمقالات معتبر SPE جمع اوری گردیده است سپس نتایج روش SVR باروشهای Multilayer Perceptron General Regression Neural, and Radial Basis Function, Neural Networks مقایسه گردیده است و نتایج نشان دهنده قدرت و دقت بالاتر روش SVR درمقایسه با روش شبکه عصبی برمبنای کمینه کردن ERM و باخطای متوسط AARE=0.019 می باشد

Keywords:

ماشین بردارپشتیبان , مدلهای داده محور , تزریق امتزاجی گاز , غربالگری , ازدیاد برداشت , فشارامتزاج پذیری