توسعه یک مدل داده محور بمنظور پیش بینی MMP بعنوان پارامترغربالگری روشهای تزریق گاز امتزاجی
محل انتشار: اولین همایش ملی توسعه میادین نفت و گاز
سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 463
فایل این مقاله در 7 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
OGFD01_068
تاریخ نمایه سازی: 1 مهر 1394
چکیده مقاله:
دراین تحقیق ماشین بردارپشتیبان SVM بعنوان یک تکنیک هوشمند برای پیش بینی MMP (Minimum Miscible Pressure بااستفاده ازخواص مخزن و اطلاعات ماده تزریقی مورد بررسی قرارگرفته است اخیرا Support Vector Regression SVR برپایه تئوری یادگیری اماری بعنوان یک تکنیک هوشمند بمنظور انجام دسته بندی و پیش بینی پیشنهادشده است روابط ارایه شده برای SVM حاوی اصول ساختاری مینیمم کردن ریسک SRM می باشد که نسبت به روش سنتی - تجربی کمینه کردن ریسک ERM که درشبکه عصبی روشهای اماری کلاسیک استفاده میشود برتری دارد دراین تحقیق یک مدل پیشگویانه MMP برپایه SVR برای مخازن ناهمگن توسع داده شده است 6دسته داده ورودی ازمخزن و سیال تزریق گاز CO2 و .. به عنوان ورودی مدل انتخاب شده و داده های ورودی مدل ازمقالات معتبر SPE جمع اوری گردیده است سپس نتایج روش SVR باروشهای Multilayer Perceptron General Regression Neural, and Radial Basis Function, Neural Networks مقایسه گردیده است و نتایج نشان دهنده قدرت و دقت بالاتر روش SVR درمقایسه با روش شبکه عصبی برمبنای کمینه کردن ERM و باخطای متوسط AARE=0.019 می باشد
کلیدواژه ها:
نویسندگان
محمدرضا طاری بخش
دانشجوی دکتری مهندسی شیمی، دانشگاه علم و صنعت ایران
محمدتقی صادقی
دانشیار مهندسی شیمی، دانشگاه علم و صنعت ایران
مهدی عصاره
استادیار مهندسی شیمی، دانشگاه علم و صنعت ایران
علی احمدی
استادیار مهندسی کامپیوتر، دانشگاه صنعتی خواجه نصیرالدین طوسی
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 :