09 فروردین 1403
حبيب رستمي

حبیب رستمی

مرتبه علمی: دانشیار
نشانی: دانشکده مهندسی سیستم های هوشمند و علوم داده - گروه مهندسی کامپیوتر
تحصیلات: دکترای تخصصی / کامپیوتر
تلفن: 0773
دانشکده: دانشکده مهندسی سیستم های هوشمند و علوم داده

مشخصات پژوهش

عنوان
استفاده از روش شبکه های عصبی مصنوعی برای پیشبینی تراوایی
نوع پژوهش مقالات در همایش ها
کلیدواژه‌ها
reservoir, articifial neural network
پژوهشگران پیمان ترابیده (نفر اول) ، عباس خاکسار منشاد (نفر دوم) ، حبیب رستمی (نفر سوم)

چکیده

نفوذپذیری یکی از ویژگیهای بسیار مهم مخازن نفتی است که قابلیت انتقال سیالاتی مانند نفت، گاز و یا آب را در فضاهای خالی موجود در سنگ مخزن نشان میدهد. تعیین نفوذپذیری در فرآیندهایی چون برآورد ذخیره، تولید و توسعهی مخازن نفتی، جایگاه خاصی دارد. در صنعت نفت روش استاندارد برای تعیین نفوذپذیری، آنالیز مغزه ، آزمایش چاه و روابط تجربی است. اخیرا از روشهای جدیدتری مثل سیتی-اسکن برای به دست آوردن پارامتر مذکور استفاده شده است. یعنی قبلا از روشهای آزمایشگاهی (مثل آنالیز مغزه) ، آزمایش چاه و روابط یامدلهای تجربی برای تعیین تراوایی استفاده میشد، به دلیل این که روشهای آزمایشگاهی و چاه آزمایی زمانبر بوده و پر هزینه هستند همچنین معمولا همهی چاههای یک مخزن دارای مغزه نمیباشند، از طرفی مدلهای تجربی برای موارد خاصی به کار میروند و در جاهای دیگر دقت و کارایی لازم را ندارند در نتیجه روشی که بتواند با استفاده از نگارهای چاهپیمایی، خواص پتروفیزیکی مخزن از جمله نفوذپذیری را به دست دهد اهمیت زیادی خواهد داشت. در این مقاله با استفاده از دادههای پتروفیزیکی و به کارگیری روشهای دادهکاوی پارامتر مهم ذکر شده (تراوایی) را به دست میآوریم. برای این کار ابتدا دادهها را نرمالایز کرده سپس از روشهای شبکهی عصبی پرسپترون چند که هر دو از روشهای یادگیری ماشینی هستند) برای برآورد نفوذپذیری (افقی وقائم) ) RBF و شبکهی عصبی تابع پایه شعاعی MLP لایه یکی از میدانهای نفت و گاز ایران با استفاده از دادههای ژئوفیزیکی استفاده شده است و نتایج این روشها با هم مقایسه و سنجیده شدهاند.