مقایسه کارکرد شبکه‌های عصبی مرسوم برای برآورد تخلخل در یکی از میدان‌های نفتی جنوب خاوری ایران
در صنعت نفت از هوش مصنوعی برای شناسایی روابط، بهینه‌سازی، برآورد و رده‌بندی تخلخل بهره‌گیری می‌شود. یکی از مهم‌ترین مراحل ارزیابی پارامترهای پتروفیزیکی مخزن، شناسایی ویژگی‌های تخلخل است. هدف اصلی این پژوهش مقایسه درستی و تعمیم‌پذیری سه شبکه عصبی چند لایه پیش‌خور (MLFN)، شبکه تابع شعاع مبنا (RBFN) و...
Guardado en:
| Autores principales: | , , , |
|---|---|
| Formato: | article |
| Lenguaje: | FA |
| Publicado: |
Research Institute of Petroleum Industry
2021
|
| Materias: | |
| Acceso en línea: | https://doaj.org/article/aa139c653c224b89b8f6cd7639d73b85 |
| Etiquetas: |
Agregar Etiqueta
Sin Etiquetas, Sea el primero en etiquetar este registro!
|
| Sumario: | در صنعت نفت از هوش مصنوعی برای شناسایی روابط، بهینه‌سازی، برآورد و رده‌بندی تخلخل بهره‌گیری می‌شود. یکی از مهم‌ترین مراحل ارزیابی پارامترهای پتروفیزیکی مخزن، شناسایی ویژگی‌های تخلخل است. هدف اصلی این پژوهش مقایسه درستی و تعمیم‌پذیری سه شبکه عصبی چند لایه پیش‌خور (MLFN)، شبکه تابع شعاع مبنا (RBFN) و شبکه عصبی احتمالی (PNN) برای برآورد تخلخل با بهره‌گیری از ویژگی‌های لرزه‌ای است. در این راستا، داده‌های زمین‌شناسی 7 حلقه چاه یک میدان نفتی فراساحلی هندیجان در شمال باختری حوضه خلیج فارس مورد ارزیابی قرارگرفت. امپدانس صوتی با بهره‌گیری از روش وارونگی مبتنی بر مدل برآورد شد و سپس شبکه‌های عصبی یاد شده با بهره‌گیری از ویژگی‌های لرزه‌ای بهینه طراحی شده و با روش رگرسیون گام به گام مورد ارزیابی قرار گرفتند. سرانجام مشخص شد که مدل MLFN برای برآورد تخلخل خوب عمل نمی‌کند. PNN از بهترین دقت کارکرد در درون‌یابی تخلخل برخوردار است، اما تعمیم‌پذیری RBFN بهتر است. |
|---|