مقاله تعیین تراوایی با استفاده از مفهوم واحدهای جریان هیدرولیکی و شبکه عصبی مصنوعی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

  مقاله تعیین تراوایی با استفاده از مفهوم واحدهای جریان هیدرولیکی و شبکه عصبی مصنوعی دارای ۱۳ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله تعیین تراوایی با استفاده از مفهوم واحدهای جریان هیدرولیکی و شبکه عصبی مصنوعی  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی مقاله تعیین تراوایی با استفاده از مفهوم واحدهای جریان هیدرولیکی و شبکه عصبی مصنوعی،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله تعیین تراوایی با استفاده از مفهوم واحدهای جریان هیدرولیکی و شبکه عصبی مصنوعی :

تعداد صفحات:۱۳
چکیده:
تراوایی یکی از مهمترین پارامتر های مخازن نفتی است که در بسیاری از محاسبات و مدل سازی های مخزن نقش موثری ایفا می کند . یکی از روش های تخمین تراوایی، استفاده از مفهوم واحد های جریان هیدرولیکی Hydraulic Flow Units, HFU است . میدان مورد مطالعه میدان نفتی اهواز مخزن آسماری است که یکی از بزرگترین میادین تولیدی خشکی ایران می باشد.در این میدان اثبات شد که شاخص کیفیت سنگ RQI شاخص منطقه/زون جریانی FZI نوع سنگ گسسته DRT و اشباع ۳۵ %جیوه ۳۵ R Winland روشی موثر جهت دسته بندی نوع سنگ می باشند.مدت زمان زیادی است که تشخیص داده شده است که بهترین حالت برقراری ارتباط میان تخلخل-تراوایی با استفاده از داده های مغزه بر اساس دسته بندی سنگی داده های مغزه آنها بدست می آید .علاوه بر این ، مراحل انجام این روش در مدل سازی مخزن موردنظر در پاراگراف زیر توضیح داده شده است: در این مطالعه ابتدا داده های مغزه معمول برای تعیین دسته بندی سنگی در فواصل مغزه گیِری شده مورد استفاده قرار گرفتند . مقادیر چاههای نمودارگیری شده در عمق های مغزه گیری شده تعیین و نرمالیزه شده و با دسته بندی سنگی محاسبه شده با استفاده از داده های مغزه مورد تجزیه و تحلیل قرارگرفتند . پس از آن به دلیل اینکه با استفاده از مدل های خطی که جهت پیش بینی دسته بندی سنگی در فواصل و چاههای مغزه گیری شده ارتباطی مناسب بادرصد خطای کم بین شاخص منطقه جریانی و داده های نمودارگیری برقرار نگردید ناگزیر در مرحله بعد با استفاده از شبکه های عصبی مصنوعی مدلی ارایه گردید که تراوایی و شاخص منطقه جریانی برای تمام چاههای نمودارگیری شده را فراهم می کند که در واقع شبکه عصبی مدلی با ضریب همبستگی بسیار خوبی ۰۹۹ = R2 بین تراوایی مغزه و تراوایی پیش بینی شده و همچنین ۰/۹۸ = R2 بین شاخص منطقه جریانی محاسبه شده توسط اطلاعات مغزه و شاخص منطقه جریانی پیش بینی شده در ارتباط با داده های لاگ ارایه داد.