مقایسه نفوذپذیری تخمین زده شده از سیستم های هوشمند در مخزن نفتی بورگان واقع در میدان نوروز خلیج فارس

سال انتشار: 1390
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,282

فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

SGSI15_298

تاریخ نمایه سازی: 9 اسفند 1390

چکیده مقاله:

نفوذپذیری یکی از ویژگی های بسیار مهم مخازن نفت است که قابلیت انتقال یک سیال مانند نفت، گاز ویا آب را درفضاهای خالی موجود در سنگ مخزن نشان می دهد. تعیین نفوذپذیری در فرآیندهایی چون تخمین ذخیره، تولید و توسعه مخازن نفتی از جایگاه خاصی برخوردار می باشد. در صنعت نفت معمولا روش استاندارد برای تعیین نفوذ پذیری، آنالیز مغزه و آزمایش چاه می باشد. این روشها بسیار گران هستند، از طرفی هم ه چاههای یک میدان دارای مغزه نمی باشند. در نتیجه روش یا روش هایی که بتواند با استفاده از نگارهای چاه پیمایی خواص پتروفیزیکی مخزن از جمله نفوذپذیری را ارائه دهند، اهمیت زیادی خواهند داشت، زیرا درتمام چاههای یک میدان معمولا نگارهای چاه موجود هستند. دراین مطالعه از دو روش شبکه عصبی مصنوعی رگرسیون عمومی وروش منطق فازی برای تخمین نفوذپذیری از طریق نگارهای چاه مخزن بورگان در میدان نوروز واقع در شمال غرب خلیج فارس، استفاده گردیده است.نتایج حاصل مبین این مطلب است که روش منطق فازی نسبت به روش شبکه عصبی رگرسیون عمومی در پیش بینی نفوذپذیری بهتر عمل می کند.

کلیدواژه ها:

نفوذپذیری ، آنالیز مغزه ، شبکه عصبی رگرسیون عمومی ، منطق فازی ، میدان نوروز

نویسندگان

علی حسینی

دانشجوی کارشناسی ارشد مهندسی اکتشاف نفت دانشگاه صنعتی شاهرود

منصور ضیایی

عضو هیئت علمی دانشگاه صنعتی شاهرود، دانشکده معدن،نفت و ژئو فیزیک،

امین روشندل

عضو هیئت علمی دانشگاه صنعتی شاهرود، دانشکده معدن،نفت و ژئو فیزیک،

جاوید حناچی

کارشناس ارشد زمین شناسی نفت شرکت نفت فلات قاره ایران، مطالعات توسعه و

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Artun, E., Mohaghegh, S., Toro, J., (2005). "Reservoir Charac terization ...
  • Bhatt, A., (2002). "Reservoir properties from well logs using neural ...
  • Kumar, N., Hughes, N., Scott M.(2000). "Using well logs to ...
  • Mohaghegh, S., Ameri, S., (1995). "Artificial Neural Network As A ...
  • Mohaghegh, S., (2000). "Virtual- Intelligence Applications in Petroleum Engineering: Part ...
  • Rolon, L., (2004). "Developing Intelligent Synthetic Logs: Application toUpper Devonian ...
  • نمایش کامل مراجع