ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
CIVILICAWe Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

Application of multi-output least-squares support vector machines (MLS-SVM) for classification of oil reservoirs from well testing signals

سال انتشار: 1399
کد COI مقاله: ICIRES08_007
زبان مقاله: انگلیسیمشاهد این مقاله: 39
فایل این مقاله در 5 صفحه با فرمت PDF قابل دریافت می باشد

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 5 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله Application of multi-output least-squares support vector machines (MLS-SVM) for classification of oil reservoirs from well testing signals

Mehrafarin Moghimihanjani - Chemical & Petroleum Engineering Department Sharif University of Technology Tehran, Iran
Nima Sharifi Rayeni - Chemical & Petroleum Engineering Department Science and Research Branch, Islamic Azad University, Tehran, Iran

چکیده مقاله:

Analysis of well testing signals is a widely-used technique for characterizing the hydrocarbon reservoirs. This technique can simply reveal wellbore, reservoir, and boundary types through identification of characteristic shapes on the pressure derivative (PD) graphs. Since the traditional matching processes often fail to correctly detect characteristic shape of the PD graphs, in this study multi-output least-squares support vector machines (MLS-SVM) is proposed for identification two different reservoirs and four boundary types. Indeed, homogenous and dual porosity reservoirs with different external boundaries including closed, constant pressure, infinite acting, and single sealing fault are considered. Parameters of the MLS-SVM is firstly adjusted by 784 synthetic PD graphs obtained from PanSystem software. Performance of the designed MLS-SVM is then evaluated using an actual field and 196 new synthetic well testing signals. Classification accuracy is used for evaluation performance of the proposed smart model. Results indicates that the proposed smart approach is able to identify different reservoir and boundary types with 100% classification accuracy.

کلیدواژه ها:

Well testing signal, pressure derivative plots, MLS-SVM, identification of reservoir and boundary types

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/1167739/

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
Moghimihanjani, Mehrafarin و Sharifi Rayeni, Nima,1399,Application of multi-output least-squares support vector machines (MLS-SVM) for classification of oil reservoirs from well testing signals,هشتمین کنفرانس بین المللی نوآوری و تحقیق در علوم مهندسی,,,https://civilica.com/doc/1167739

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1399, Moghimihanjani, Mehrafarin؛ Nima Sharifi Rayeni)
برای بار دوم به بعد: (1399, Moghimihanjani؛ Sharifi Rayeni)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مدیریت اطلاعات پژوهشی

صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز: دانشگاه دولتی
تعداد مقالات: 13,333
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

مقالات مرتبط جدید

به اشتراک گذاری این صفحه

اطلاعات بیشتر درباره COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.

پشتیبانی