کاهش آسیب به محیط زیست با استفاده از شبکه‌‌ی عصبی مصنوعی(ANN)

سال انتشار: 1391
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,182

فایل این مقاله در 10 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:

PASAB03_046

تاریخ نمایه سازی: 9 دی 1391

چکیده مقاله:

شبکههای عصبی مصنوعی (Artificial Neural Network) الگویی برای پردازش اطلاعات می‌باشند که با تقلید از شبکه‌های عصبی بیولوژیکی مثل مغز انسان ساخته شده‌اند.امروزه به دلیل نیاز روز افزون بشر به انرژی، شرکت های نفتی مجبور شده اند که چاه های عمیق تر و زیادتری را حفر کنند و این به معنی صرف مدت زمان زیادتر برای حفاری چاه و عبور از سازندهای مختلف با خصوصیات متفاوت جهت رسیدن به مخزن نفتی مورد نظر می باشد. از آنجا که قسمت اعظم هزینه نهایی یک چاه مربوط به حفاری آن می باشد، داشتن برنامه ای مدون جهت صرف کمترین زمان ممکن برای حفاری بسیار حیاتی به نظر می رسد. در حین حفاری مشکلات زیادی ممکن است سبب انحراف عملیات از برنامه زمانی مورد نظر شوند که از این جمله می توان به هرزروی و گیر لوله ها اشاره کرد. گیر لوله ها عموما مربوط به زمان بعد از هرزروی های شدید می باشند. هرزروی سیال حفاری یکی از مشهودترین مشکلات حفاری می باشد که هزینه زیادی را به شرکت های نفتی تحمیل می-کند. و نیز آسیب زیادی به محیط زیست وارد می آورد.هرزروی گل حفاری تابع عوامل بسیار زیادی می باشد که مدل کردن همه آن ها بصورت تحلیلی ممکن است بسیار مشکل باشد. بنابراین با استفاده از تکنیک های هوش مصنوعی که توانایی زایدالوصفی در شبیه سازی فرایند های پیچیده دارند، بسیار مؤثر به نظر می رسد. در این تحقیق سعی بر اینست که با توجه به داده های حفاری موجود در میدان نفتی مارون، میزان هرزروی را تخمین زد. پیش بینی های حاصل از شبکه عصبی مصنوعی سازگاری بسیار خوبی با میزان هرزروی واقعی موجود در گزارش های روزانه حفاری نشان می دهد. که می‌توان با استفاده از آن میزان هرزروی را به حداقل رساند و آسیب به محیط زیست را کاهش داد.

کلیدواژه ها:

هوش مصنوعی ، شبکه های عصبی مصنوعی ، هرزروی سیال حفاری ، میدان نفتی مارون ، زمان غیر مؤثر حفاری

نویسندگان

علی پیراسته

دانشجوی کارشناسی ارشد مهندسی برق- دانشگاه غیرانتفاعی شهاب دانش قم

عبدلله شمیسا

عضو هیت مدیره دانشگاه غیرانتفاعی شهاب دانش قم.

اصغر فرجی مقدم

دانشجوی کارشناسی ارشد مهندسی برق- دانشگاه غیرانتفاعی شهاب دانش قم

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 :
  • _ _ _ _ _ _ _ and ...
  • Ali A. Pilehvari and Venkata . Nyshadham.: Effect of Material ...
  • Fred E. Dupriest, : Fracture Closure Stres (FCS) and Lost ...
  • Zaruda, J.M., Marks, R.J., and Robinson, ..J.: Computational Intelligence, Imitating ...
  • Eberhart, R. Simpson, P., and Dobbins, R.: Computational Intelligence PC ...
  • Mohaghegh, S..: _ i rtu al-Intelligence Applications in Petroleum Engineering: ...
  • McCulloch, W.S. and Pitts, W.: A Logical Calculus of Ideas ...
  • Rosenblatt, F.: _ Perceptron: Probabilistic Model for Information Storage and ...
  • Widrow, B.: "Generalization and Information Storage in Networks of Adeline ...
  • Minsky, M.L. and Papert, S.A.: Perceptrons, MIT Press, Cambridge, Massachusetts, ...
  • Hertz, J., Krogh, A., and Palmer, R.G.: Introduction to the ...
  • Hopfield, J.J.: "Neural Networks and Physical Systems with Emergent Collective ...
  • Rumelhart, D.E. and McClelland, J.L.: Parallel Distributed Processing, Exploration in ...
  • Stubbs, D.: _ Neurocomp uters , " M.D. Computing 5, ...
  • Hornik, K., Stinchcombe, M., White, H., :Multilayer Feedforward Neural Networks ...
  • Peter Hegeman, Chengli Dong, Nikos Varotsis, Vassilis Gaganis, : Application ...
  • نمایش کامل مراجع