این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پژوهش نفت، جلد ۲۳، شماره ۷۵، صفحات ۱۱۷-۱۳۰
عنوان فارسی مقایسه روش‌های شبکه عصبی خود سازنده و آنالیز خوشه‌ای برای ارزیابی مقدار کربن آلی در سازندهای محتوی هیدروکربن با استفاده از سیستم‌های هوشمند
چکیده فارسی مقاله محتوای کل کربن آلی یکی از پارامترهای مهم جهت ارزیابی ژئوشیمیایی لایه‌های تولید کننده نفت و گاز است. در این مطالعه، طی دو مرحله، محتوای کربن آلی در سازندهای هیدروکربن‏دار با استفاده از داده‏های لاگ ارزیابی شده است. در مرحله اول، داده‏های لاگ به مجموعه‏ای از الکتروفاسیس‏ها تقسیم‏بندی شده‏اند. روش‏های استفاده شده برای شناسایی و خصوصیت‏بندی الکتروفاسیس‏ها شامل: شبکه‏های عصبی خود سازنده و روش آنالیز خوشه‌ای می‌باشد. نتایج حاصل از هر دو روش با یکدیگر مقایسه شده و براساس آزمون‏های ارزیابی خوشه‏ای، بهترین روش برای خوشه‏بندی داده‏های پتروفیزیکی در الکتروفاسیس‏های معین مورد استفاده قرار گرفت. مقدار کل کربن آلی با استفاده از داده‏های لاگ به وسیله روش‏های خاص شبکه عصبی برای هر الکتروفاسیس برآورد شد. در مرحله دوم، مقدار کل کربن آلی با استفاده از همان روش خاص شبکه عصبی و بدون در نظر گرفتن الکتروفاسیس‏ها تعیین گردید. نتیجه دو روش با یکدیگر و همچنین با روشΔlogR مقایسه شد. نتایج نشان داد که خوشه‏بندی یک سازند به واحد‏های مشخص (الکتروفاسیس) در مقایسه با مدل استخراج شده برای کل مجموعه داده‏ها بدون در نظر گرفتن خوشه‏بندی، مقدار کل کربن آلی سازند را با دقت بالاتری پیش‎بینی می‎نماید. در مجموع سیستم‏های هوشمند نسبت به تکنیک‏های قدیمی مبتنی بر روش ΔlogR مناسب‎تر می‏باشند. روش ارائه شده همراه با مثال موردی از بزرگ‌ترین مخزن گازی غیر همراه جهان، میدان گازی پارس جنوبی در حوضه خلیج فارس ارائه گردیده است.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی A Comparison of Self-organizing Maps and Hierarchical Cluster Analysis Approaches in Predicting Total Organic Carbon Using Intelligent Systems
چکیده انگلیسی مقاله Total organic carbon (TOC) is one of the main parameters for geochemical evaluation of oil and gas source rocks. In this study, we propose a two-step approach to predict total organic carbon content from well log data. Initially, the well log data are classified into a set of electrofacies (EF). The methods used to characterize and identify EF consist of self-organizing maps (SOM) and hierarchical cluster analysis (HCA). The results obtained from both methods are compared and the best method based on cluster validity tests is chosen for clustering petrophysical data into a certain number of EF. Afterwards, the TOC values are estimated from well log data by using individual artificial neural network (ANN) models constructed for each EF. In the second approach, the TOC data are estimated for the total interval by using a similar ANN model regardless of data clustering and EF determination. The results of two prediction methods are compared to each other and also with a third conventional Δlog R technique. The results show that clustering of a formation into specific units (electrofacies) provides better results in TOC prediction compared to the models constructed for the whole dataset as a single cluster. In addition, intelligent systems are more efficient than the previous conventional techniques based on Δlog R method. The proposed methodology is illustrated using a case study of the world’s largest non-associated gas reservoir, i.e. Iran South Pars Gas Field, located in the Persian Gulf.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله
نشانی اینترنتی http://pr.ripi.ir/article_318_57.html
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1344/article-1344-236764.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات