مروری بر کاربرد روشهای هوش محاسباتی در تخمین دو پارامتر تخلخل و نفوذپذیری مخازن هیدروکربوری

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 648

فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

SMEC10_026

تاریخ نمایه سازی: 6 بهمن 1395

چکیده مقاله:

تعیین تخلخل و نفوذپذیری مخزن از مهمترین پارامترها در مدیریت، تولید، توسعه و تخمین ذخایر مخزنی میادین نفتی به شمار میرود. تعیین پارامترهای پتروفیزیکی مخزن معمولاً توسط روشهایی چون آنالیز مغزه و آزمایش چاه انجام میشود.تعیین این پارامترها توسط این روشها مستلزم صرف زمان و هزینه گزافی است و به علت نبود مغزههای کافی و تغییرات سنگشناسی و ناهمگنی سنگ مخزن، تعیین این پارامترها توسط روشهای معمول از دقت چندانی برخوردار نیست. درمقاله حاضر به مروری بر کاربرد روشهای هوشمند در پیشبینی تخلخل و نفوذپذیری از روی دادههای چاهپیمایی بدستآمده از چاههای میادین نفتی پرداخته شده است. نتایج حاصل از این تحقیقات نشان میدهد که روشهای هوشمند درمقایسه با سایر روشها در جهت پیشبینی تخلخل و نفوذپذیری در مخازن هیدروکربوری، کارآمدتر، سریعتر، دقیقتر ومقرون به صرفهتر هستند.

نویسندگان

هادی فتاحی

استادیار، مهندسی معدن، ژئومکانیک، دانشگاه صنعتی اراک

مائده عسکری

دانشجوی کارشناسی ارشد، مهندسی معدن، دانشگاه صنعتی اراک

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 :
  • Akhilesh K. Verma, (2014), et al., Porosity and Permeability Estimation ...
  • Aristimuio J., et al, (2006), Fuzzy Logic prediction of petrophysical ...
  • Atashpaz- Gargari C. Lucas, (2007), Imperialist Competitive Algorithm: An algorithm ...
  • Carman P., (1937), Fluid flow through granular beds. Transactions -Institution ...
  • Cuddy S.J., et al, (2000), Litho-Facies and Permeability Prediction From ...
  • Eskandari H, et al, (2004), Application of multiple regression and ...
  • Finol J., et al., (2001), A rule based fuzzy model ...
  • Guler B., et al, (2002), Development and Testing of Two-Phase ...
  • Hans B. Helle, et al., (2001), Porosity and permeability prediction ...
  • Huang Y. et al., (2001), An integrated neural -fuzzy-genetic -algorithm ...
  • Jamshidian M et al., (2015), Prediction of free flowing porosity ...
  • Jorjani E. et al, (2008), Application of artificial neural networks ...
  • Kadkhodaie Ilkhchi A., (2006), et al., A fuzzy logic approach ...
  • Kecman V., (2001), Learning and soft computing: support vector machines, ...
  • Kozeny J., (1927), Ueber kapillare leitung des wassers im boden. ...
  • Malki H.A., et al, (1996), Estimating permeability by use of ...
  • Mamdani EH, Assilian S, (1975), An experiment in linguistic synthesis ...
  • Maqsood Ali et al., (2000), Using artificial intelligence to predict ...
  • Mohaghegh S _ et al., (1996), Journal of Petroleum Science ...
  • Olatunji S.O., (2014), Improved sensitivity based linear learning method for ...
  • Olatunji S.O. et al, (2015), Modeling Permeability And PVT Properties ...
  • Saemi M., et al., (2007), Design of neural networks using ...
  • Saemi M. & Ahmadi M., (2007), Integration of genetic algorithm ...
  • Shokooh Saljooghi B., et al., (2013), A New Approach to ...
  • Sugeno M, (1985), Industrial applications of fuzzy control. Elsevier Science ...
  • Vakili , et al, , )2015(، Use of Artificial Neural ...
  • Wylie M. and Rose W., (1950) , Some theoretical considerations ...
  • نمایش کامل مراجع