بررسی خواص مخزنی سازند سروک براساس نمودارهای پتروفیزیکی و ماشین های بردار پشتیبان بهینه سازی شده با الگوریتم ژنتیک
سال انتشار: 1400
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 127
فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_EKTESHAF-1400-186_003
تاریخ نمایه سازی: 5 اردیبهشت 1402
چکیده مقاله:
بررسی و پیشبینی خواص مخزنی از فعالیت های مهم و کلیدی برای ارزیابی ظرفیت و توانایی تولید از مخزن است. بدست آوردن پارامترهای مهم مخزنی نظیر تخلخل می تواند در تعیین محل بهینه برای حفاری چاه ها ی بعدی، طراحی و مدیریت فرآیندهای موثر در توسعه میادین نفت وگاز و شبیه سازی فرآیند های ازدیاد برداشت مفید باشد. تعیین دقیق این پارامترها همیشه توام با دشواری هایی است. معمولا برای محاسبه این پارامترها از آنالیز مغزه های سنگ و یا داده های چاهآزمایی و چاه پیمایی استفاده می شود که البته مطمئن ترین روش برای محاسبه این پارامترها روش آنالیز مغزه است. اما به دلیل مشکلات اجرایی و هزینه های بالا، تعداد کمی از چاههای یک میدان مغزه گیری می شوند. امروزه استفاده از سیستم های هوشمندی نظیر شبکه های عصبی جهت تخمین پارامترهای مخزنی، پیشرفت های بسیار چشمگیری داشته است. در این پژوهش با استفاده از داده های پتروفیزیکی و الگوریتم ماشین های بردار پشتیبان بهینهسازی شده با الگوریتم ژنتیک به مدلسازی تراوایی و تخلخل سازند سروک در حوضه زاگرس پرداخته شده است. در این مطالعه رویکرد جدیدی جهت تخمین تراوایی با استفاده از حالات مختلف الگوریتم ماشین بردار پشتیبان معرفی شده است. برای این منظور، الگوریتم های SSVR ,SVRP اجرا شده اند. بر اساس بهینه سازی انجام شده، روش های SVRL و SVRPبه ترتیب با ضرایب همبستگی ۷۹/۰ و ۸۱۶/۰ برای پیش بینی تراوایی سازند برای این مجموعه از داده ها مورد استفاده قرار گرفتند که روش SVRP کارایی بهتر را نشان میدهد.
کلیدواژه ها:
نویسندگان
حسین سلیمی تیموری
دانشگاه آزاد اسلامی واحد طبس
مهدی حسین آبادی
دانشگاه آزاد اسلامی واحد طبس
کیوان شیعیان
دانشگاه آزاد اسلامی واحد طبس
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 :