توسعه شبکه عصبی مصنوعی مبتنی بر الگوریتم ژنتیک به منظور پیش بینی آزمایش های pvt چاه های نفت در صنایع بالادستی

Authors

محسن اسلام نژاد

حسین اکبری پور

محمدرضا امین ناصری

abstract

در مرحله صیانت از مخازن نفتی صنایع بالادستی، آزمایش های پیچیده ای موسوم به pvt برای شناسایی خواص سیالات مخزن انجام می گیرد. وجود مشکلاتی چون خطرات احتمالی، زمان بر بودن، دقیق نبودن نمونه ها و محدودیت های دما و فشار، باعث شده تا استفاده از روش های هوشمند در این حوزه گسترش یابد. در این پژوهش به منظور اجتناب از مشکلات مذکور و یافتن رابطه پیچیده و غیرخطی داده های آزمایش های pvt از شبکه عصبی مصنوعی بهره گرفته شده است. همچنین، از الگوریتم ژنتیک به منظور تعیین مقادیر بهینه پارامترهای مدل شبکه عصبی در فرآیند آموزش استفاده شده است. به منظور ارزیابی رویکرد توسعه یافته از مجموعه داده های چاه های نفتی جنوب ایران بهره گرفته شد و نتایج حاصل نشان می دهد که استفاده از شبکه عصبی مصنوعی مبتنی بر الگوریتم ژنتیک، برخلاف روش های کلاسیک، در زمان کمتر و با دقت بالایی خواص سیالات مخزن (ضریب حجمی سیال و فشار نقطه حباب) را پیش بینی می نماید. در نتیجه، کارشناسان و مدیران صنایع بالادستی مخازن نفتی ایران می توانند از شبکه عصبی پیشنهادی در راستای پیش ینی آزمایش های pvt بهره گیرند.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

توسعه شبکه عصبی مصنوعی مبتنی بر الگوریتم ژنتیک به منظور پیش‌بینی آزمایش‌های PVT چاه‌های نفت در صنایع بالادستی

در مرحله صیانت از مخازن نفتی صنایع بالادستی، آزمایش‌های پیچیده‌ای موسوم به PVT برای شناسایی خواص سیالات مخزن انجام می‌گیرد. وجود مشکلاتی چون خطرات احتمالی، زمان‌بر بودن، دقیق نبودن نمونه‌ها و محدودیت‌های دما و فشار، باعث شده تا استفاده از روش‌های هوشمند در این حوزه گسترش یابد. در این پژوهش به منظور اجتناب از مشکلات مذکور و یافتن رابطه پیچیده و غیرخطی داده‌های آزمایش‌های‌ PVT از شبکه عصبی مصنوعی...

full text

کاربرد شبکه عصبی مبتنی بر الگوریتم ژنتیک در پیش بینی تقاضای بلندمدت انرژی

پیش­بینی تقاضای انرژی جهت عرضه به موقع، تنظیم بازار، هدفگذاری میزان صادرات و ایجاد امنیت انرژی اهمیت ویژه­ای دارد. روش­های مختلفی برای پیش­بینی تقاضای انرژی معرفی شده است که در این بین با توجه به روند غیرخطی و پرنوسان تقاضای انرژی، تکنیک­های غیرخطی نتایج مطلوب­تری داشته است. شبکه­های عصبی و الگوریتم ژنتیک از مهمترین و پرکاربردترین تکنیک­های غیرخطی در این زمینه می­باشند که هر یک نقاط ضعف و قوت خ...

full text

وقفه های زمانی بهینه در پیش بینی قیمت نفت توسط شبکه عصبی پویا اصلاح‌شده با الگوریتم ژنتیک

قیمت نفت، اهمیت و نوسانات آن در طول زمان در اخذ تصمیمات مهم اقتصادی در دنیا، سبب گسترش روش‌های مختلفی در پیش­بینی قیمت نفت، ازجمله ابزارهای غیرخطی مانند شبکه عصبی شده است. در این مقاله برای در نظر گرفتن عامل زمان در پیش­بینی توسط شبکه عصبی، با دریافت بازخورد از شبکه عصبی مصنوعی اصلاح شده با الگوریتم ژنتیک GADNN وقفه­های بهینه ناشی از ورودی­ها و خروجی‌های قیمت نفت توسط شبکه عصبی پویا محاسبه می­گ...

full text

کاربرد شبکه های عصبی مصنوعی در پیش بینی بارش زمستانه

پیش‌بینی بارش یکی از مهم‌ترین مسائل در زمینه مدیریت بهینه منابع آب در بخش‌های مختلف نظیر صنعت، شرب و کشاورزی است. پیش بینی بارش می تواند باعث جلوگیری از تلفات و خسارات ناشی از بلایای طبیعی شود. هدف از تحقیق حاضر پیش‌بینی بارش زمستانه استان خراسان رضوی با استفاده از شبکه‌های عصبی مصنوعی می‌باشد. بدین منظور، ابتدا سری زمانی بارش متوسط منطقه‌ای به روش کریجینگ در طول دوره آماری به دست آورده شد. سپس...

full text

استفاده از ترکیب الگوریتم ژنتیک و شبکه های عصبی مصنوعی برای پیش بینی نیروی گاز گرفتن از روی سیگنال الکترومایوگرام

Human mastication is a common rhythmic behavior and a complex biomechanical process which is hard to reproduce. Today, investigating the relation between electrical activity of muscles and force signals is of high importance in many applications including gait analysis, orthopedics, rehabilitation, ergonomic design, haptic technology, tele-presence surgery and human-machine interaction. Surface...

full text

پیش بینی مصرف انرژی بخش کشاورزی ایران با استفاده از مدل ترکیبی الگوریتم ژنتیک و شبکه های عصبی مصنوعی

هدف از این مقاله ارزیابی الگوی ترکیبی شبکه­های عصبی مصنوعی و الگوریتم ژنتیک در پیش بینی تقاضای انرژی بخش کشاورزی ایران می­باشد. برای این منظور، از داده­های سالانه مصرف انرژی بخش کشاورزی کشور به عنوان متغیر خروجی مدل­های پیش­بینی و از داده­های سالانه جمعیت کل کشور و کل تولیدات بخش کشاورزی کشور به عنوان متغیرهای ورودی مدل­های پیش­بینی استفاده شد. در پایان به منظور مقایسه نتایج پیش­بینی مدل ترکیبی...

full text

My Resources

Save resource for easier access later


Journal title:
پژوهش نفت

Publisher: پژوهشگاه صنعت نفت

ISSN 2345-2900

volume 25

issue 84 2015

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023