طبقه بندی و شناسایی رخساره های زمین شناسی با استفاده از داده های لرزه نگاری و شبکه های عصبی رقابتی
Authors
abstract
بررسی تغییر رخسارههای زمین شناسی در مطالعه مخازن هیدروکربوری اهمیت به سزایی دارد. بررسی و طبقه بندی بازتاب های لرزه ای، روشی توانمند در شناخت و طبقه بندی رخساره های زمین شناسی و پیش بینی توزیع رخساره های مخزن است. در این مقاله، روشی مبتنی بر شبکه های عصبی مصنوعی رقابتی برای شناسایی و طبقه بندی رخساره های مخزن از روی داده های لرزه نگاری معرفی شده است. اساس این روش، خصوصیات بازتاب لرزه ای بدون کاربرد نشانگرهای لرزه ای است. شبکه عصبی رقابتی، بازتاب لرزه ای را در پنجره مشخصی، به عنوان ورودی می گیرد و بر اساس میزان انطباق آن با سایر بازتاب ها، آن را در یک گروه قرار می دهد. این گروه بندی به دو روش بدون ناظر و با ناظر انجام می شود. در روش بدون ناظر که از شبکه عصبی رقابتی خود سازمانده کوهنن استفاده شده است، طبقه بندی بازتاب های لرزه ای بر اساس ویژگی ذاتی آنها انجام می شود و بی نیاز از اطلاعات چاه ها است. این روش برای اکتشاف های نواحی جدید به کار می رود، جایی که چاه های حفاری شده کم است یا وجود ندارد. در روش با ناظر که از شبکه عصبی رقابتی lvq استفاده شده است، برای شناسایی از اطلاعات کمکی چاه ها نیز استفاده می کند. این روش بیشتر برای توسعه میادین تولیدی مفید است؛ جایی که تعداد چاه های حفاری شده زیاد است. اجرای هر دو شبکه روی داده های مصنوعی و نیز روی داده های واقعی زون ششم آسماری در میدان نفتی شادگان، نشان داد که آنها می توانند به خوبی توزیع رخساره های جانبی مخزن را پیش بینی و نقشه ناهمگنی آن را تهیه کنند.
similar resources
طبقه بندی و شناسایی رخسارههای زمینشناسی با استفاده از دادههای لرزه نگاری و شبکههای عصبی رقابتی
بررسی تغییر رخسارههای زمینشناسی در مطالعه مخازن هیدروکربوری اهمیت به سزایی دارد. بررسی و طبقه بندی بازتابهای لرزهای، روشی توانمند در شناخت و طبقه بندی رخساره های زمین شناسی و پیش بینی توزیع رخسارههای مخزن است. در این مقاله، روشی مبتنی بر شبکه های عصبی مصنوعی رقابتی برای شناسایی و طبقه بندی رخساره های مخزن از روی داده های لرزه نگاری معرفی شده است. اساس این روش، خصوصیات بازتاب لرزهای بدون ک...
full textطبقه بندی و شناسایی رخسارههای زمینشناسی با استفاده از دادههای لرزه نگاری و شبکههای عصبی رقابتی
Geological facies interpretation is essential for reservoir studying. The method of classification and identification seismic traces is a powerful approach for geological facies classification and distinction. Use of neural networks as classifiers is increasing in different sciences like seismic. They are computer efficient and ideal for patterns identification. They can simply learn new algori...
full textتوصیف گسل هندیجان-ایذه با استفاده از داده های لرزه نگاری دوبعدی، داده های زمین لرزه و اطلاعات زمین شناسی
full text
ارزیابی پتروفیزیکی مخزن هیدروکربوری با استفاده از داده های چاه نگاری و تکنیک شبکه عصبی مصنوعی
full text
برآورد تغییرات سطح پوشش جنگل های رودسر با استفاده از روش های طبقه بندی شبکه عصبی مصنوعی و حداکثر احتمال
امروزه کسب آگاهی و دانش در رابطه با پوشش گیاهی نقش مهمی را در مدیریت خاکها ایفا میکند. بااین وجود برآورد پوشش گیاهی به روش معمولی که شامل برآورد کلی از پوشش گیاهی است هم زمانبر است و هم اطلاعات چندان دقیقی را به دست نمیدهد. از این رو سنجش از دور فنآوری بسیار مفیدی است که به دلیل کاهش زمان و هزینه، بر سایر روشها ارجحیت داده میشود. در این تحقیق سعی بر آن شد با استفاده از تکنیکهای سنجش از د...
full textMy Resources
Save resource for easier access later
Journal title:
نشریه دانشکده فنیPublisher: دانشکده فنی
ISSN 0803-1026
volume 43
issue 3 2009
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023