مدل سازی سنگ شناسی در میدان گازی پارس جنوبی با استفاده از شبکه عصبی مصنوعی

سال انتشار: 1390
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 35

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:

JR_PRRIP-21-66_002

تاریخ نمایه سازی: 4 دی 1402

چکیده مقاله:

مغزه گیری از تعدادی چاه بدون توجه به اندازه میدان نفتی، برای به دست آوردن اطلاعات کلی از منطقه، امری ضروری و غیرقابل اجتناب می باشد. مغزه گیری از تمام چاه ها در یک میدان بزرگ بسیار پرهزینه است. بنابراین، یافتن راهی برای گریز از این هزینه بالا ضروری به نظر می رسد. این پژوهش به مدل سازی شبکه های عصبی مصنوعی، به منظور استفاده از نگارهای چاه برای تخمین لیتولوژی در یکی از مخازن میدان گازی پارس جنوبی اختصاص دارد. در این تحقیق، از یک شبکه عصبی سه لایه با الگوریتم پس انتشار خطا (BP) و الگوریتم آموزش لونبرگ- مارکوآرت، برای تخمین سنگ شناسی استفاده شده است. نگارهای نوترون، چگالی، پرتو گاما و اثرفتوالکتریک (PEF) به صورت ورودی شبکه در نظر گرفته شده است. در این تحقیق، داده های مربوط به چهار چاه در میدان پارس جنوبی مورد استفاده قرار گرفته است. از داده های دو چاه (چاه هایSPF۱ و SPF۲) که دارای آنالیز مغزه بودند برای آموزش شبکه، اعتبارسنجی و آزمون استفاده شد و سپس شبکه طراحی شده جهت تخمین سنگ شناسی دو چاه دیگر (چاه های SPF۳ و SPF۴) مورد استفاده قرار گرفت و با داده های مغزه آن ها مقایسه گردید. سنگ های مورد بررسی عبارتند از: دولومیت، آهک، آهک دولومیتی، دولومیت آهکی، انیدریت، شیل، آهک شیلی و دولومیت شیلی. مقدار میانگین مربعات خطا (MSE) برای چاه SPF۳ برابر ۰۸۷/۰ و برای چاه SPF۴ برابر ۰۹۸/۰ می باشد.

نویسندگان

محمد امین دزفولیان

دانشگاه آزاد اسلامی، واحد علوم و تحقیقات تهران، باشگاه پژوهشگران جوان

محسن اکبرپورشیرازی

دانشگاه صنعتی امیرکبیر، دانشکده مهندسی صنایع

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 :
  • منابع[۱] Mohaghegh S.D., “Chevron A., Gaskari R., Siegfreid R., Determining ...
  • Duboisa K., Geoffrey C., Bohling S., “Comparison of four approaches ...
  • Siripitayananon P., Chen H., Hart B.S., A New Technique for ...
  • Nikravesh M., “Soft computing-based computational intelligent for reservoir characterization”, Expert ...
  • Nikravesh M., Aminzadeh F., “Mining and fusion of petroleum data ...
  • Kadkhodaie Ilkhchi A., Rezaee M.R., Moallemi S.A., “A fuzzy logic ...
  • Rezaee M.R., Kadkhodaie A., Barabadi A., “Prediction of shear wave ...
  • Taheri S.R., “Remote sensing, fuzzy logic and GIS in petroleum ...
  • Shiwei Y., Kejun Z., Fengqin D., “A dyanamic all parameter ...
  • Hambalek N., Gozalez R., “Fuzzy logic applied lithofacies and permeability ...
  • Cuddy S.L., “Lithofacies and permeability prediction from electrical logs using ...
  • Zhou Z.H., Chen Z.Q., Chen S., Neural networks based lithology ...
  • Chang H., Kopaska C., Chen H., “Identification of lithofacies using ...
  • Briqueu L., Gottlib-Zeh S., Ramadan M., Brulhet J., “Inferring lithology ...
  • Matlab User’s Guide, Neural Networks Toolbox for use with Matlab, ...
  • شرکت نفت و گاز پارس، گزارش نهایی حفاری و زمین ...
  • شرکت نفت و گاز پارس، گزارشات تکمیلی چاه های مورد ...
  • نمایش کامل مراجع