شبکه های عصبی، ابزاری توانمند در مدیریت مخازن هیدروکربنی

سال انتشار: 1389
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 945

فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

IAUOOIL01_098

تاریخ نمایه سازی: 21 آبان 1389

چکیده مقاله:

طی یک دهه گذشته کاربرد شبکه های عصبی در صنعت نفت به سرعت گسترش یافته است. پیشرفت های اخیر در این زمینه توانایی کامپیوترها را در حل مسائل پیچیده و غیر خطی که از طریق روش های معمولی قابل محاسبه نمی باشند بسیار بالا برده است. از کاربردهای شبکه های عصبی در صنعت نفت می توان به تشخیص الگوهای لرزه نگاری، پیش بینی نفوذپذیری، شناسایی رخساره های ماسه سنگ و انتخاب مته حفاری اشاره کرد. همچنین شبکه های عصبی در آنالیز، پیش بینی و بهینه سازی عملکرد چاه، توصیف یکپارچه و مدیریت مخزن می تواند مؤثر باشد. در این مقاله با مطالعه گسترده بر کارهای گذشته پیرامون اهمیت این ابزار و زمینه هایی که شبکه عصبی به طور موفقیت آمیز در صنعت نفت مورد استفاده قرار گرفته، با تمرکز بر زمینه مدیریت مخزن، بهینه سازی تولید و آنالیز ریسک بحث خواهد شد. همچنین در اینجا با توجه به تجربیات گذشته به برخی فاکتورهای اصلی در طراحی و انتخاب شبکه های عصبی مانند تعداد نورون ها ، توابع فعالسازی ، تعداد داده های ورودی و الگوریتم مناسب برای آموزش شبکه عصبی اشاره خواهد شد. هدف اصلی این مقاله مطالعه و بررسی جامع شبکه های عصبی از دیدگاه یک مهندس نفت و تشویق مهندسین و محققین به توجه بیشتر به این ابزار با ارزش در مسائل مهندسی نفت است.

نویسندگان

توماج فرود

دانشجوی دکتری مهندسی مخازن، دانشگاه صنعتی امیرکبیر

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله 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 مقاله لینک شده اند :
  • _ صطفی کیا، شبکه های عصبی در MATLAB انتشارات کیارایانه، ...
  • S. Are, P. Dostert, B. Ettinger, J. Liu, V. Sokolov, ...
  • J.K. Ali, Neural Network: A New Tool for Petroleum Industry, ...
  • S. Mohaghegh, S. Ameri, Artificial Neural Networks As A Valuable ...
  • S. Mohaghegh, R. Arefi, S. Ameri, D. Rose, Design and ...
  • S. Mohaghegh, R. Arefi, S. Ameri, M. H. Hefner, A ...
  • M. Stundner, J.S. Al-Thuwaini, How Data-Driven Modeling Methods like Neural ...
  • G. Zangl, A. Al-Kinani, Proxy Modeling in Production Optimization, SPE ...
  • L.C. Reis, Risk Analysis with History Matching Using Experimental Design ...
  • D.I. Zubarev, Pros and Cons of Applying Proxy Models as ...
  • T.P. Sampaio, V.J.M. Ferreira Filho, A. de Sa Neto, An ...
  • M.A. Oloso, A. Khoukhi, A. Abdulraheem, M. Elshafei, Prediction of ...
  • M. Mo hammadpoor, Kh, Shahbazi, F. Torabi, A New Methodology ...
  • H. DEMUTH, _ BEALE, M. HAGAN, Neural Network Toolbox F" ...
  • B. KRosE, P. v. D. SMAGT, An Introduction to Neural ...
  • S. M OHAGHEGH, Virtu al-Intelligence Applications in Petroleum Engineering: Par ...
  • نمایش کامل مراجع