این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
علوم زمین، جلد ۱۶، شماره ۶۱، صفحات ۱۴۰-۱۴۹
عنوان فارسی مقایسه روشهای رگرسیون خطی چندگانه و شبکه‌های عصبی مصنوعی برای برآورد تخلخل و نفوذپذیری
چکیده فارسی مقاله تخلخل و نفوذپذیری را می‌توان دو پارامتر از سه پارامتر مهم در ارزیابی ویژگیهای یک میدان نفتی عنوان کرد. اطلاعات مربوط به تعیین پارامترهای پتروفیزیکی، غالباً با استفاده از مطالعه مغزه‌‌ها، حاصل می‌شوند ولی استفاده از این روش در بسیاری موارد قابل اجرا  نیست. دلیل این امر تنها مربوط به هزینه بالای مغزه‌گیری نیست، زیرا در بسیاری موارد، تهیه مغزه از چاههای مختلف، امکان‌پذیرنمی‌باشد. از روشها و روابط تجربی نیز به دلیل داشتن مشکلات خاص آنها و تعلق نتایج مربوط به آنها به منطقه‌ای خاص، نمی‌توان با اطمینان کامل استفاده کرد.  شبکه‌های عصبی مصنوعی، یکی از جدیدترین فنونی هستند که به‌تدریج جایگاه خود را در میان علوم مختلف و خاصه در مهندسی نفت پیدا کرده‌اند. به‌طور کلی می‌‌توان برآورد پارامترهای پتروفیزیکی توسط شبکه‌های عصبی را در دو مرحله عنوان کرد. ابتدا پیدا کردن ویژگیهای شبکه مورد بحث برای اعمال در مورد پارامتر مورد نظر که این کار با استفاده از اطلاعات مربوط به یک سری از چاهها انجام می‌شود که هم اطلاعات نمودارها و هم اطلاعات آزمایش مغزه برای آنها وجود دارد.  مرحله دوم، شامل اعمال شبکه حاصل از مرحله اول در مورد سایر چاههای میدان می‌باشد. در این مطالعه، برای تعیین مقادیر تخلخل در میدان نفتی گچساران از دو شبکه استفاده شد که یکی از آنها، شبکه‌ای با سه پارامتر ورودی (نگار چگالی، صوتی و نوترون) و دیگری شبکه‌ای با ده پارامتر (پاسخ نگارهای نوترون، گاما، چگالی، صوتی، مقاومت ویژه ناحیه کم‌ژرفا و ژرف و مقادیر اشباع آب و مختصات فضایی نقاط) ورودی است. مقادیر تخلخل برآورد شده توسط این شبکه‌ها در مرحله تعمیم، به‌ترتیب  مقادیر همبستگی 0/914 و 0/938 را نشان دادند. این در حالی بود که نتیجه مربوط به معادله رگرسیون در تعیین مقدار تخلخل، مقدار 0/658 را نشان می‌داد. در مورد نفوذپذیری نیز مقادیر لگاریتم نفوذپذیری حاصل از شبکه‌های دارای 6 (پاسخ نگارهای چگالی، صوتی، گاما، مقاومت ویژه ناحیه کم‌ژرفا و ژرف و تخلخل حاصل از شبکه تخلخل دارای 10 نورون ورودی) و 11 پارامتر ورودی (نگارهای نوترون، گاما، چگالی، صوتی، مقاومت ویژه ناحیه کم‌ژرفا و ژرف و مقادیر اشباع آب، مختصات فضایی نقاط و تخلخل حاصل از شبکه تخلخل دارای10 نورون ورودی)، و معادله رگرسیون، به‌ترتیب مقادیر همبستگی  برابر با 0/851 و 0/858 و 0/617 را با مقدار لگاریتم نفوذپذیری مغزه نشان دادند.
کلیدواژه‌های فارسی مقاله شبکه‌های عصبی،تخلخل،نفوذپذیری،شبکه پس‌انتشار،رگرسیون خطی چندگانه،میدان نفتی گچساران،
عنوان انگلیسی Comparison between Multiple Linear Regression and Artificial Neural Networks for Porosity and Permeability Estimation
چکیده انگلیسی مقاله       Porosity and permeability are two important characteristics of a hydrocarbon reservoir. The core measurements are usually used for these two parameters determination. This method is not only very expensive but also coring in many wells is not performable. Another method for this target is using of empirical equations. Any of these methods are associated with many problems. In addition, statistical methods will have some problems due to input data obtained from well logs. Artificial neural network is a new method, recently used in oil industry for prediction of petrophysical properties. This study is performed on Asmari Formation in Gachsaran oil field located in south of Iran. For porosity estimation two nets are used. One of these nets has 3 input parameters (density, sonic and neutron logs) and another has 10 input parameters (neutron, gamma, density, sonic, ILD, ILS, water saturation and spatial coordinate). Correlation coefficient between these nets predicted porosities and core porosities for generalization were 0.914 and 0.938 respectively and from multiple linear regression equation a 0.658 correlation coefficient is obtained. For permeability prediction two networks; one has six input parameters (density, sonic, gamma, ILD, ILS and porosity that obtained from porosity net with ten input parameters) and another with eleven input parameters (neutron, gamma, density, sonic, ILD, ILS, water saturation, spatial coordinate and porosity from porosity net with ten input parameters) and multiple linear regression equation are 0.851, 0.858 and 0.617 correlation coefficients are obtained respectively.
کلیدواژه‌های انگلیسی مقاله شبکه‌های عصبی,تخلخل,نفوذپذیری,شبکة پس‌انتشار,رگرسیون خطی چندگانه,میدان نفتی گچساران
نویسندگان مقاله مجتبی جلالی لیچایی |
دانشکده معدن، متالورژی و نفت، دانشگاه صنعتی امیرکبیر، تهران، ایران

مجید نبی بیدهندی |
مؤسسه ژئوفیزیک،دانشگاه تهران، تهران، ایران

نشانی اینترنتی http://www.gsjournal.ir/article_207716_02986e3ad4fd25dddd264c07806af2cd.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
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