این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
صفحه اصلی
درباره پایگاه
فهرست سامانه ها
الزامات سامانه ها
فهرست سازمانی
تماس با ما
JCR 2016
جستجوی مقالات
چهارشنبه 26 آذر 1404
پژوهش نفت
، جلد ۲۰، شماره ۶۱، صفحات ۴۸-۵۷
عنوان فارسی
مدلسازی رخسارهای با استفاده از شبکههای عصبی پس انتشار خطا در میدان پارس جنوبی
چکیده فارسی مقاله
تعیین و توصیف خصوصیات زمینشناسی و مهندسی یک مخزن بهوسیله تعیین رخسارههای مختلف سنگهای آن مخزن با دادههای حاصل از عملیات چاهنگاری و مغزهگیری است. یکی از روشهای نوین در زمینه شناسایی رخسارهها که در سالهای اخیر مورد استفاده قرار گرفته است, روش شبکههای عصبی مصنوعی است. هدف از این تحقیق, تعیین و شناسایی رخسارههای میدان پارس جنوبی با استفاده از شبکههای عصبی پس انتشار خطا برای کاربرد وسیع در شبیهسازی استاتیک و دینامیک مخزن میباشد. در این مطالعه, رخسارههای زمینشناسی میدان پارس جنوبی با استفاده از روش فوق در قالب سه سناریو مدلسازی شده است. همچنین در این روش از عاملهای مختلف شبکه نظیر تعداد لایههای شبکه, تعداد نورونهای لایهها, تابع انتقال, الگوریتم آموزشی, تابع تقسیم دادهها و تابع عملکرد شبکه برای بهبود عملکرد آن استفاده شده است. نتیجه حاصل از به کار گیری این روش نشان داد که شبکه عصبی پس از انتشار خطا از توانایی بالایی در تعیین رخسارههای میدان پارس جنوبی برخوردار میباشد.
کلیدواژههای فارسی مقاله
عنوان انگلیسی
Facies Modeling using Back-propagation Neural Networks In Southern Pars Field
چکیده انگلیسی مقاله
Determination of different facies is one of the most important and fundamental tasks of geological and engineering characterization of reservoir rocks. The neural network method is one of the new techniques used in identification of facies. The objective of the present study was to identify and measure different facies of Southern Pars gas and oil fields (Iran) using back-propagation neural networks in order to develop static and dynamic models. Modeling was carried out using three different techniques. Also network parameters were optimized in order to improve the network performance including number of layers and neurons, transfer function, training algorithm, dividing and performance functions. The results indicate that the back-propagation neural network is a powerful method for identification and modeling of the facies.
کلیدواژههای انگلیسی مقاله
نویسندگان مقاله
نشانی اینترنتی
http://pr.ripi.ir/article_20_18.html
فایل مقاله
اشکال در دسترسی به فایل - ./files/site1/rds_journals/1344/article-1344-236894.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