|
Title
|
كاربرد روشهاي داده كاوي در پيش بيني رفتار استاتيك و خواص ديناميك مخازن هيدروكربوري
|
|
Type
|
Thesis
|
|
Keywords
|
data mining, well testing.
|
|
Abstract
|
براي توسعه و ارزيابي ميادين نفت و گاز، داشتن اطلاعات كافي در مورد مخازن هيدروكربوري امري ضروري و اجتناب ناپذير است، به عبارت ديگر تعيين پارامترهاي مختلف سنگ و سيال مخزن در ارزيابي مخازن هيدروكربوري از اهميت زيادي برخوردار است. از مهم ترين پارامترهاي تعيين كننده ي ارزش اقتصادي يك مخزن مي توان از تراوايي و تخلخل نام برد. تراوايي و تخلخل به همراه برخي پارامتر هاي مخزني ديگر نقش بسيار مهمي در ارزيابي ميزان ذخاير نفت وگاز دارد. در صنعت نفت روش استاندارد براي تعيين اكثر پارامترهاي نام برده شده، آناليز مغزه، روش هاي آزمايشگاهي، آزمايش چاه و روابط تجربي است.به دليل اينكه روش هاي آزمايشگاهي (وروش هاي چاه آزمايي) زمان بر بوده و پر هزينه هستند همچنين معمولاً در همه ي چاه هاي يك مخزن مغزه گيري انجام نمي شود، از طرفي در مدل هاي تجربي برخي فرض ها و محدوديت ها در آن ها اعمال شده يعني در موارد خاصي به كار مي روند و در جاهاي ديگر دقت و كارايي لازم را ندارند. در نتيجه روشي كه بتواند با استفاده از اعمال ورودي (ورودي ها) خواص اشاره شده (تراوايي، تخلخل و...) را به دست دهد، اهميت زيادي خواهد داشت؛لذايك روش جايگزين براي تعيين خواص اشاره شده استفاده از ابزارهاي هوش مصنوعي و يادگيري ماشيني است. در اين مطالعه هدف اصلي بهره گيري از روش بهينه سازي غير خطي بهنام شبكه هاي عصبي مصنوعي براي پيش بيني پارامتر هاي مخزني است. داده ها براي مراحل مختلف يادگيري و ارزيابي شبكه به سه دسته، آموزش، اعتبارسنجي و آزمون تقسيم بندي مي شود، بعد از پردازش داده ها 70 درصد آن ها براي آموزش شبكه، 15 درصد براي اعتبار سنجي و 15 درصد براي آزمايش (در MLP) و 30 درصد يراي آزمايش در RBFو SVMقرار داده شده اند. نتايج نشان مي دهد شبكه هاي عصبي داراي دو لايه مخفي بهترين شبيه سازي را انجام مي دهند
|
|
Researchers
|
Habib Rostami (Primary advisor)
|