مقایسه ی کارایی شبکه های عصبی مختلف در تعیین مدل مخازن نفتی، با استفاده از داده های چاه آزمایی
پایان نامه
- وزارت علوم، تحقیقات و فناوری - دانشگاه شیراز - دانشکده مهندسی شیمی
- نویسنده زهره باباحاجی
- استاد راهنما رضا اسلاملوییلان عبدالحسین جهانمیری
- سال انتشار 1390
چکیده
از آنجا که مخازن هیدروکربوری محیط هایی بسیار ناهمگن هستند و ساختار بسیار پیچیده ای دارند، تخمین مستقیم پارامترهای آنها عملاً امکان پذیر نیست. برای رفع مشکل اخیر و نیز به دست آوردن اطلاعاتی از محیط های متخلخل، برخی روش های غیر مستقیم مانند چاه آزمائی و چاه پیمائی کاربرد زیادی پیدا کرده اند. در میان روش های غیر مستقیم، تنها چاه آزمائی با داده های دینامیک مرتبط است و بنابراین از اهمیت خاصی برخوردار می باشد. این تکنیک درسال ??37 به عنوان ابزاری کاربردی برای شناخت رفتار واقعی مخزن توسط مهندسین نفت پیشنهاد شد. چاه آزمائی هنوز هم، به عنوان یکی از مهم ترین ابزار های در دسترس برای شناخت این محیط ها محسوب می شود. تعیین مدل مخزن از نمودارهای مشتق فشار، یکی از مراحل مهم و پایه ای در تخمین پارامترهای مخزن از طریق آنالیز داده های چاه آزمائی می باشد. در این مطالعه از شبکه های عصبی مصنوعی، برای شناسائی مدل مخازن نفتی از طریق نمودارهای مشتق فشار استفاده شده است. شبکه های عصبی مصنوعی، مدل های ریاضی هستند که دارای توانایی منحصر به فرد در تخمین پارامتر و شناسایی الگو و ... هستند. هشت مدل مخزن نفتی مختلف که شامل مخازن رسانای محدود و نفوذ پذیر دوگانه با مرز های مختلف می باشد، مورد بررسی قرار گرفته اند. شبکه های عصبی پیشرو، بازگشتی، رگرسیون تعمیم یافته و آبشار پیشرو توسط داده های مشتق فشاری که به وسیله ی شبیه سازی با نرم افزار pansystem تولید شده اند، آموزش داده شده اند. ساختار بهینه ی شبکه های پیشنهادی با استفاده از روش های حدس و خطا و کمینه کردن میانگین خطای نسبی داده های آموزش و تست تعیین شده است. قابلیت شبکه آبشار پیشرو با بهترین دقت دسته بندی کلی، توسط داده های واقعی و دقت شبکه های مختلف به وسیله ی تعدادی پارامتر آماری مانند حساسیت و دقت دسته بندی کلی با هم مقایسه شده است. نتایج نشان می دهد که مدل های پیشنهادی شبکه-های عصبی می توانند مدل مخزن را از داده های چاه آزمایی تشخیص دهند. دقت شبکه آبشار پیشرو بیش از بقیه شبکه هاست و نشان می دهد که این شبکه توانایی بیشتری در شناخت دیتای چاه آزمایی دارد.
منابع مشابه
تعیین ویژگی های فنی یکی از مخازن نفتی جنوب باختری ایران با استفاده از تحلیل نتایج چاه آزمایی
متن کامل
کاربرد شبکه های عصبی مصنوعی برای تشخیص مدل مخازن گاز میعانی با استفاده از داده های چاه آزمایی
از سال 1937، از چاه آزمایی به عنوان ابزاری برای شناخت مدل های مخازن هیدروکربوری و تشخیص پارامترهای مربوط به آن ها استفاده می شود. در واقع فرآیند چاه آزمایی به ایجاد یک تغییر جریانی در چاه و جمع آوری داده های فشاری در ته چاه اطلاق می گردد. آنالیز داده های چاه آزمایی مربوط به مخازن گاز میعانی به علت تشکیل میعانات، اصولاً متفاوت با مخازن گاز خشک و نفت می باشد و رفتار های پیچیده ای از خود نشان می ده...
15 صفحه اولارزیابی پتروفیزیکی مخزن هیدروکربوری با استفاده از داده های چاه نگاری و تکنیک شبکه عصبی مصنوعی
متن کامل
پیش بینی نفوذپذیری از روی داده های چاه نگاری با استفاده از شبکه های عصبی مصنوعی در یکی از مخازن کربناته جنوب ایران
تخمین نفوذپذیری از روی داده های چاه نگاری، یک مرحلهء اساسی در مهندسی مخزن و ارزیابی سازنده است. تحقیقی که در این جا عرضه می شود، نوعی مدل سازی شبکه های عصبی مصنوعی، به منظور استفاده از نگارهای چاه برای پیش بینی نفوذپذیری، در یکی از مخازن کربناته جنوب ایران است. در این تحقیق دو شبکه پس انتشار سه لایه، برای پیش بینی نفوذپذیری، مورد استفاده قرار گرفت. شبکه او ل، نگارهای نوترون، چگالی، صوتی و پرتو ...
متن کاملاستفاده از شبکه عصبی مرکب (Committee Machine) نظارت شده جهت بهبود الگوریتم شبکه های عصبی در تخمین تراوایی مخازن نفتی
Reservoir permeability is a critical parameter for the evaluation of hydrocarbon reservoirs. There are a lot of well log data related with this parameter. In this study, permeability is predicted using them and a supervised committee machine neural network (SCMNN) which is combined of 30 estimators. All of data were divided in two low and high permeability populations using statistical study. E...
متن کاملبررسی کارایی شبکه عصبی مصنوعی در برآورد بار معلق رودخانه با استفاده از داده های دستهبندیشده
بار رسوب جریان، شاخص مفیدی در پیشبینی فرسایش خاک در حوزههای آبخیز است؛ بنابراین تدوین مدلی برای برآورد بار رسوب میتواند در مدیریت و اجرای پروژههای آبخیزداری و مهندسی رودخانه مفید باشد. در این پژوهش روش دستهبندی دادهها بهعنوان راهکاری برای افزایش دقت شبکه عصبی مصنوعی در تدوین مدل برآورد رسوب معلق بررسی شد. بدین منظور، میزان آورد رسوبات معلق رودخانههای خلیفهترخان و چهلگزی در حوضۀ قشلاق...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ذخیره در منابع من قبلا به منابع من ذحیره شده{@ msg_add @}
نوع سند: پایان نامه
وزارت علوم، تحقیقات و فناوری - دانشگاه شیراز - دانشکده مهندسی شیمی
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023