ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
ناشر تخصصی کنفرانسهای ایران
ورود |عضویت رایگان |راهنمای سایت |عضویت کتابخانه ها
عنوان
مقاله

The application of Committee machine with particle swarm optimization to the assessment of permeability based on thin section image analysis

سال انتشار: 1397
کد COI مقاله: JR_IJMGE-52-2_010
زبان مقاله: انگلیسیمشاهده این مقاله: 162
فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 9 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله The application of Committee machine with particle swarm optimization to the assessment of permeability based on thin section image analysis

Mahnaz Abedini - Faculty of mining, petroleum and geophysics, Shahrood university of technology, Iran
Mansur Ziaii - Faculty of Mining, petroleum and Geophysics, Shahrood University of Technology
Javad Ghiasi-Freez - Iranian Central Oil Fields Company (ICOFC), Subsidiary of National Iranian Oil Company (NIOC) Tehran, Iran

چکیده مقاله:

Permeability is the ability of porous rock to transmit fluids and one of the most important properties of reservoir rock because oil production depends on the permeability of reservoirs. Permeability is determined using a variety of methods which are usually expensive and time consuming. Reservoir rock properties with image analysis and intelligent systems has been used to reduce time and money. This study presents an improved model based on the integration of petrographic data and intelligent systems to predict permeability. Petrographic image analysis was employed to measure the types of porosity including inter granular, intra granular, moldic, micro and optical, amount of cement, limestone, dolomite and anhydrite, types of texture and mean geometrical shape coefficient of pores. The permeability was first predicted using the three individual intelligent systems including a neural network (NN), a fuzzy logic (FL), and a neuro-fuzzy (NF) model, respectively. The mean squared error (MSE) of the NN, FL and NF methods are 0.0107, 0.0081 and 0.0080, which correspond to the R2 values of 0.8830, 0.9193 and 0.9136, respectively. Afterwards, two types of committee machine with intelligent systems (CMIS) were used to combine the predicted values of permeability from individual intelligent systems: simple averaging (SA) and weighted averaging (WA). In the WA, a particle swarm optimization (PSO) was employed to obtain the optimal contribution of each intelligent system. The MSE of the CMIS-SA and CMIS-WA are 0.0072 and 0.0066, which correspond to the R2 values of 0.9262 and 0.9260, respectively. These show that the CMIS-WA performed better than NN, FL, and NF models individually. In addition, a multiple linear regression (MLR) was used to compare with the other techniques. The R2 value between the core and MLR permeability is 0.8699. Thus, the integration of petrographic data and intelligent systems operated more accurate than the MLR model.

کلیدواژه ها:

کد مقاله/لینک ثابت به این مقاله

کد یکتای اختصاصی (COI) این مقاله در پایگاه سیویلیکا JR_IJMGE-52-2_010 میباشد و برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/871647/

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
Abedini, Mahnaz and Ziaii, Mansur and Ghiasi-Freez, Javad,1397,The application of Committee machine with particle swarm optimization to the assessment of permeability based on thin section image analysis,https://civilica.com/doc/871647

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1397, Abedini, Mahnaz؛ Mansur Ziaii and Javad Ghiasi-Freez)
برای بار دوم به بعد: (1397, Abedini؛ Ziaii and Ghiasi-Freez)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مدیریت اطلاعات پژوهشی

صدور گواهی نمایه سازی | گزارش اشکال مقاله | من نویسنده این مقاله هستم

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز: دانشگاه دولتی
تعداد مقالات: 7,932
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

به اشتراک گذاری این صفحه

اطلاعات بیشتر درباره COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.

پشتیبانی