مقایسه دو روش ΔlogR و شبکه عصبی آموزش دیده توسط الگوریتم ABC جهت تخمین مقدارکل کربن آلی برای سازندکوکاتیاشیل درحوضه پرت

سال انتشار: 1392
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 507

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:

CIAG01_048

تاریخ نمایه سازی: 29 تیر 1393

چکیده مقاله:

در شیل های گازی مقدار محتوای ماده آلی یکی از پارامترهای مهم در ارزیابی مخزن می باشد. روش های مختلفی برای تخمین مقدار کل کربن آلی وجود دارد که از این میان می توان به روش ΔlogR اشاره کرد. در سال های اخیر بر روی تخمین این مقدار با استفاده از روش های هوشمند از قبیل شبکه عصبی مطالعاتی انجام شده است. در این مقاله با استفاده از شبکه عصبی چند لایه و به کارگیری الگوریتم بهینه سازی کلونی زنبورهای عسل، مقدار کل کربن آلی در سازند کوکاتیاشیل در حوضه پرت از استرالیای غربی تخمین زده شده است. با مقایسه دو روش به کار گرفته شده بین داده های واقعی و تخمین زده شده روش شبکه عصبی دارای ضریب رگرسیون 0/88 و روش ΔlogR مقدار ضریب رگرسیون 0/7 را نتیجه داد که دقت بالای روش شبکه عصبی را نشان می دهد.

کلیدواژه ها:

مقدار کل کربن آلی- شبکه عصبی- الگوریتم کلونی زنبورهای عسل- ΔlogR

نویسندگان

سعید واعظیان

دانشگاه شاهرود، مهندسی معدن، نفت و ژئوفیزیک

بهزاد تخم چی

دانشگاه شاهرود، دانشکده مهندسی معدن، نفت و ژئوفیزیک

محمدرضا رضایی

دانشگاه کرتین استرالیا، دانشکده مهندسی نفت

احمد واعظیان

دانشگاه شاهرود، دانشکده مهندسی معدن، نفت و ژئوفیزیک

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 :
  • رضایی م، چهرازی ع، "اصول برداشت و تفسیر نگارهای چاه‌پیمایی"، ...
  • Dervis K., Bahriye A. 2009 _ comparative study of Artificial ...
  • Dervis K., Bahriye A., and Celal O., 209, :Artificial Be ...
  • Glorioso, J., _ VUnconventionl reservoirs: Basic Petrophysical Concepts of Shale ...
  • Haykin, S., :Neural Networks, A Comprehensive Foundation", Prentice Hall, Upper ...
  • Jonasson, K., 2013, :Journal of Petroleum in Western Australia, May, ...
  • Lewis, R., et al. 2004, "New Evaluation Techniques for Shale ...
  • Passey, Q. R., Creany, S., Kulla, J. B., Moretti, F. ...
  • Passey, Q. R., Bohacs, K. M., Esch, W. L, Klimentidis, ...
  • نمایش کامل مراجع