این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پژوهش نفت، جلد ۲۸، شماره ۱-۹۷، صفحات ۹۷-۱۰۹
عنوان فارسی ترکیب روش‌های عصبی، فازی و عصبی- فازی با استفاده از الگوریتم مورچگان پیوسته برای تشخیص رخساره‌های مخزن
چکیده فارسی مقاله تشخیص رخساره‌های مخزنی و تعیین نواحی با کیفیت مخزنی بالا نقش مهمی در مدل‌سازی مخزن و همچنین حفاری‌های آتی در میدان‌های در حال توسعه ایفا می‌کند. شاخص جریانی یکی از شاخص‌هایی است که با توجه به تغییر خصوصیات مخزن تغییر کرده و می‌تواند نقش موثری در تقسیم‌بندی رخساره‌های مخزنی داشته باشد. مطالعه حاضر یک مدل بهینه‌یافته و پیشرفته را به‌وسیله ترکیب سیستم‌های هوشمند برای تخمین شاخص جریانی در کل میدان پیشنهاد می‌دهد. این ماشین گروهی  نتایج پیش‌بینی شده حاصل از سیستم‌های هوشمند عصبی، فازی و عصبی- فازی را با وزن‌های مشخص با هم ترکیب می‌کند، وزن‌های بهینه برای هر یک از این روش‌ها به‌وسیله الگوریتم مورچگان پیوسته تعیین می‌شود. در این مطالعه از داده‌های چاه و لرزه‌نگاری سه‌بعدی مربوط به یکی از میادین جنوب ایران برای اعمال روش‌ها استفاده شده است. در مرحله اول، نشانگرهای لرزه‌ای که ارتباط بیشتری با داده هدف (FZI) دارند با استفاده از برازش گام به گام انتخاب می‌شوند و در ادامه با استفاده از سیستم‌های هوشمند و ترکیب آن‌ها مکعب سه‌بعدی شاخص جریانی در کل میدان تخمین زده می‌شود و در مرحله پایانی با استفاده از الگوریتم خوشه‌بندی C میانگین فازی (Fuzzy C-Mean) رخساره‌های مختلف مخزن از هم تفکیک داده می‌شوند. نتایج این مطالعه نشان‌دهنده کارایی بهتر ماشین گروهی با استفاده الگوریتم مورچگان پیوسته (ACO R) نسبت به هر یک از روش‌های منفرد می‌باشد.  
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Integrating Neural, Fuzzy Logic, and Nero-fuzzy Approaches Implementing Ant Colony Optimization Routing Algorithm to Determine Reservoir Facies
چکیده انگلیسی مقاله Determining the reservoir facies and areas with high-quality reservoirs play a pivotal role in reservoir modeling as well as future drilling in developing oilfields. As an index which varies in line with changes in the reservoir characteristics, Flow Zone Indicator (FZI) could be an influential factor in dividing the facies. The present study attempts to propose an advanced, optimized model through integrating the intelligent systems to estimate the FZI in the whole oilfield. This Committee Machine (CM) integrates the predicted results obtained from the intelligent neural, fuzzy logic, and Nero-Fuzzy systems with defined weights. Optimized weights for each method are determined using the Ant Colony Optimization Routing (ACOR) Algorithm. In this study, to apply the methods, well log and seismic data were used from one of the oilfields in South Iran. At the first stage, seismic attributes which were far more associated with the target data (FZI) were selected by stepwise regression. Subsequently, a 3D cube flow indicator in the whole field was estimated with intelligent systems. Finally, various reservoir facies were classified by the means of Fuzzy C-Mean Algorithm. The results illustrate that the committee machine which utilizes ACOR outperforms other individual systems acting alone.  
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله رضا محبیان |
موسسه ژئوفیزیک، دانشگاه تهران، ایران

محمدعلی ریاحی |
موسسه ژئوفیزیک، دانشگاه تهران، ایران

علی کدخدایی |
دانشکده علوم زمین، دانشگاه تبریز، ایران

نشانی اینترنتی http://pr.ripi.ir/article_862_9dc6b623c677492e8a660fd5e3cc5333.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1344/article-1344-643405.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