مدل سازی مکانی مناطق اکتشاف نفتی با سیستم استنتاج فازی عصبی تطبیقی (anfis) در gis

Authors

نورالدین میثاق

nouraddin misagh نجمه نیسانی سامانی

najme neisany samany عطاء الله عبدالهی کاکرودی

ataollah abollahi kakroodi سید کاظم علوی پناه

seyed kazem alavipanah عباس بحرودی

abstract

فرآیند اکتشاف منابع هیدروکربنی فرآیندی بسیار پیچیده و پرهزینه می باشد. در این فرایند فاکتورهای متعدد زمین شناسی، ژئوشیمی و ژئوفیزیک تهیه و باهم تلفیق می شوند.  طراحی بهترین مسیر برای برداشت داده های لرزه نگاری و همچنین  تعیین بهترین محل برای حفر چاه های اکتشافی از اهمیت ویژه ایی برخوردار است، زیرا عدم دقت در انتخاب موقعیت مکانی، صرف هزینه و زمان زیاد در طول عملیات می باشد. هدف این تحقیق تعیین مناطق محتمل نفت و گاز در برگه 1:250000 اهواز با 20 میدان نفتی به منظور کاهش زمان و هزینه اکتشاف و تولید است بدین منظور 17 نقشه ی فاکتور شامل : کمترین و بیشترین مقدار (غنای کربن آلی (toc)، بازده پتانسیل برای تولید هیدرو کربن (pp)، پیک دمایی tmax، شاخص تولید (pi)، اندیس اکسیژن (oi)، اندیس هیدروژن (hi))و  داده های مجاورت به مناطق دارای آنومالی باقیمانده ثقل بوگه بالا، محور طاقدی ها و گسل ها، نقشه ی ناهمواری و انحنای حاصل از منحنی های زیر سطحی سازند آسماری توسط توابع gis ایجاد شدند. برای ترکیب نقشه های فاکتور، از سیستم استنتاج فازی عصبی تطبیقی که از روش های داده مبنا می باشد، استفاده شد. نتایج حاصل از مدل سازی با داده های آزمون نشان داد که مدل مذکور با شاخص کاپای 859/0، همبستگی 839/0 و متوسط ریشه مربع خطا برابر با 0399/0 توانسته است با دقت بالایی میدان های نفتی را پیش بینی کند، هرچند میدان های از قبیل شاور و سپهر شناسایی نشده و برخی قسمتها نیز به اشتباه، مناطق نفتی پیش بینی شده اند.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

مدل‌سازی مکانی مناطق اکتشاف نفتی با سیستم استنتاج فازی عصبی تطبیقی (ANFIS) در GIS

فرآیند اکتشاف منابع هیدروکربنی فرآیندی بسیار پیچیده و پرهزینه می‌باشد. در این فرایند فاکتورهای متعدد زمین‌شناسی، ژئوشیمی و ژئوفیزیک تهیه و باهم تلفیق می‌شوند.  طراحی بهترین مسیر برای برداشت داده‌های لرزه‌نگاری و همچنین  تعیین بهترین محل برای حفر چاه‌های اکتشافی از اهمیت ویژه‌ایی برخوردار است، زیرا عدم دقت در انتخاب موقعیت مکانی، صرف هزینه و زمان زیاد در طول عملیات می‌باشد. هدف این تحقیق تعیین م...

full text

مدل سازی فرایند لجن فعال با روش ترکیبی سیستم استنتاج فازی عصبی تطبیقی

در این مطالعه، از سامانه استنتاج فازی-عصبی تطبیقی برای مدل‌سازی فرایند تصفیه فاضلاب لجن فعال پتروشیمی مبین استفاده شد. این مدل برای پیش‌بینی غلظت اکسیژن مورد نیاز شیمیایی خروجی مورد استفاده قرار گرفت و ضریب همبستگی بین پارامترهای ورودی و کیفیت جریان خروجی محاسبه شد. پارامتر ورودی با بیشترین تأثیر بر کیفیت جریان خروجی تعیین شد و بر اساس آن، سه ساختار فازی- عصبی تطبیقی مستقل با تعداد پارامترهای گ...

full text

مدل‌سازی بارش- رواناب با سیستم استنتاج فازی- عصبی تطبیقی (ANFIS) و رگرسیون خطی چندمتغیره (MLR)

در این پژوهش، کارآیی سیستم فازی- عصبی برای برآورد رواناب ناحیه کوهستانی حوضه هراز مورد ارزیابی قرار گرفت. هدف ایجاد مدلی با توابع و درجه عضویت مناسب است که بتواند رابطه بارندگی- رواناب را در یک حوضه به­درستی برقرار کند. بدین منظور برای پیش­بینی رواناب، 44 ترکیب مختلف از پارامترهای بارندگی، دما، تبخیر، دبی جریان و شاخص بارش پیشین با تأخیر زمانی بین آنها به­صورت روزانه طی دوره 32 سال آماری وارد م...

full text

بررسی امکان کاربرد سیستم استنتاج فازی- عصبی تطبیقی (ANFIS) در برآورد بار رسوب معلق بابل‌رود

Sediment load estimation is one of the most important issues in rivers & dam reservoirs management and generally in water projects. Various empirical equations show that proper analytical or empirical method is not suggested for correct estimation of suspended sediment, yet. In the present study, to assessment of closer estimation to actual data of transported sediment in Ghoran Talar station l...

full text

طراحی مدل پیش‌بینی و ارزیابی ظرفیت نوآوری شرکت‌های دانش‌بنیان با رویکرد استنتاج فازی عصبی- تطبیقی(ANFIS)

      ارزیابی ظرفیت نوآوری شرکت‌های دانش بنیان و پیش‌بینی میزان ظرفیت نوآوری آن‌ها برای این شرکت‌ها بسیار حائز اهمیت است و تصمیم در خصوص انتقال یا بسط فناوری شرکت تابع میزان ظرفیت نوآوری است. هدف اصلی این تحقیق، طراحی مدل ارزیابی ظرفیت نوآوری شرکت‌های دانش بنیان با رویکرد استنتاج فازی عصبی- تطبیقی است. سیستم استنتاج فازی عصبی - تطبیقی ([1]ANFIS) روش مناسبی برای حل مسائل غیرخطی است. ANFIS ترکیبی...

full text

طراحی مدل سیستم استنتاج فازی عصبی - تطبیقی ( ANFIS) برای ارزیابی و پیش‌بینی سطح مدیریت دانش سازمان با محوریت نوآوری.

در سال‌های اخیر مدیریت دانش به یک موضوع مهم و حیاتی در تمامی سازمان‌ها تبدیل‌شده است. یکی از عوامل مؤثر در ایجاد و گسترش نوآوری، مدیریت دانش است. با نوآوری، برتری‌های بلندمدت سازمان در عرصه‌های رقابتی حفظ شود. ارزیابی و پیش‌بینی سطح مدیریت دانش برای مدیران بسیار بااهمیت است. در میان روش‌های نوین مدل‌سازی، سیستم‌های فازی از جایگاه ویژه‌ای در زمینه‌های مختلف علوم برخوردارند. این پژوهش از نظر هدف،...

full text

My Resources

Save resource for easier access later


Journal title:
مهندسی فناوری اطلاعات مکانی

جلد ۴، شماره ۱، صفحات ۳۹-۵۹

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023