پیش بینی تراوایی سنگ مخزن کربناته با استفاده از شبکه عصبی مصنوعی و ماشین بردار پشتیبان در یکی از مخازن نفتی ایران
محل انتشار: مجله فیزیک زمین و فضا، دوره: 43، شماره: 2
سال انتشار: 1396
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 42
فایل این مقاله در 16 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JESPHYS-43-2_004
تاریخ نمایه سازی: 10 آبان 1402
چکیده مقاله:
تراوایی از مولفه های اساسی در ارزیابی مخازن هیدروکربنی است که عمدتا از طریق اندازه گیری های آزمایشگاهی از مغزه یا داده های چاه آزمایی به دست می آید. با این حال، به دلیل هزینه زیاد و فراوانی کم این نوع از داده ها، پیش بینی تراوایی با استفاده از داده های چاه نگاری از جایگاه ویژه ای برخوردار است. در این مطالعه، برای تخمین تراوایی، ابتدا داده های چاه نگارها با توجه به مطالعات زمین شناسی صورت گرفته بر روی میدان مورد مطالعه به چهار گروه رخساره های الکتریکی دسته بندی می شوند: پکستون-وکستون–مادستون، پکستون–وکستون، گرینستون–پکستون و گرینستون–پکستون–وکستون. در این مطالعه، از شبکه های عصبی مصنوعی و ماشین بردار پشتیبان برای تخمین تراوایی در یکی از مخازن ناهمگون کربناته با استفاده از داده های چهار چاه در میدان مذکور استفاده شده است. جهت تخمین تراوایی، ابتدا داده های نگاره های چاه با استفاده از روش های «تجزیه وتحلیل مولفه های اصلی» و «تجزیه وتحلیل خوشه مبتنی بر مدل» به رخساره های الکتریکی تقسیم بندی شده اند. سپس هر رخساره الکتریکی به عنوان ورودی شبکه عصبی مصنوعی و ماشین بردار پشتیبان جهت تخمین تراوایی در نظر گرفته شده اند. شبکه عصبی مصنوعی با استفاده از «توابع پس انتشار لونبرگ»، «گرادیان نزولی با تکانه وزنی» و «تابع یادگیری بیاس» با ده لایه مخفی آموزش داده شده است. از ماشین بردار پشتیبان با رگرسیون های اپسیلون و نو با توابع کرنلی مختلف استفاده شده است. در این مطالعه، تابع کرنل شعاعی ماشین بردار پشتیبان دارای خطای کمتری در مقایسه با شبکه عصبی است. خطای حاصل از ماشین بردار پشتیبان برای رخساره های الکتریکی گروه اول تا چهارم به ترتیب برابر است با: ۰.۰۰۶۵، ۰.۰۲۴۲، ۳.۶۵۸۷ و ۰.۰۱۹۵.
کلیدواژه ها:
نویسندگان
Yaser Azizi
دانشجوی کارشناسی ارشد، مهندسی اکتشاف نفت، دانشگاه صنعتی سهند، تبریز، ایران
Navid Shad Manamanan
استادیار، دانشکده مهندسی معدن، دانشگاه صنعتی سهند، تبریز، ایران
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 :