مقاله بررسی میزان تأثیر موقعیت چاه های همجوار و حجم داده های ورودی روی عملکرد شبکه های عصبی جهت تخمین لاگهای مصنوعی چاه پیمایی

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

  مقاله بررسی میزان تأثیر موقعیت چاه های همجوار و حجم داده های ورودی روی عملکرد شبکه های عصبی جهت تخمین لاگهای مصنوعی چاه پیمایی دارای ۱۲ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله بررسی میزان تأثیر موقعیت چاه های همجوار و حجم داده های ورودی روی عملکرد شبکه های عصبی جهت تخمین لاگهای مصنوعی چاه پیمایی  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 بررسی میزان تأثیر موقعیت چاه های همجوار و حجم داده های ورودی روی عملکرد شبکه های عصبی جهت تخمین لاگهای مصنوعی چاه پیمایی،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله بررسی میزان تأثیر موقعیت چاه های همجوار و حجم داده های ورودی روی عملکرد شبکه های عصبی جهت تخمین لاگهای مصنوعی چاه پیمایی :

تعداد صفحات:۱۲
چکیده:
شناخت رفتار و خواص سنگ و سیال مخزن، از اصول مهم و لاینفک در مدیریت آن است. به لحاظ پیچیدگی و عدمقطعیت در ابعاد استاتیکی و دینامیکی مخازن، این شناخت به سادگی حاصل نمی شود و نیازمند همکاری و توالی یک سریتکنیک ها و تخصص های مرتبط با مهندسی نفت است. ارزیابی پتروفیزیکی به منظور محاسبه برخی پارامترهای مخزنی(تخلخل، درصد اشباع سیال، لیتولوژی و 😉 یکی از ابزارهای مهم در این رابطه است. این پارامترها نتیجه تفسیر نمودارهایپتروفیزیکی به منظور مشخصه سازی و توصیف مخزن می باشد. ساخت نمودارهای پتروفیزیکی مصنوعی تکنیکی است کهاخیراً با استفاده از روشهای نوینی همچون شبکه های عصبی مصنوعی مورد بحث و بررسی قرار گرفته است که دیدگاه هایمتفاوتی درباره کیفیت و کارایی آن در این زمینه مطرح است.هدف این مطالعه، تحلیل حساسیت شبکه های عصبی مصنوعی به موقعیت چاه های همجوار چاه مورد مطالعه و همچنینمیزان و کمیت داده های ورودی است. برای بخش اول کار، نمودار فاکتور فوتوالکتریک (PEF) چاه A با استفاده از سه چاههمسایه (B, C, D) ساخته شد و بر اساس نتایج به دست آمده مشاهده شد که افزایش فاصله و لذا ناهمگنی مخرن و نیزتغییر موقعیت چاه در یال دیگر میدان، دقت شبکه را کاهش می دهد. در بخش بعدی تحقیق، با هدف بهینه سازی فرآیند آموزش شبکه عصبی برای تخمین نمودار PEF داده های ورودی با نسبت های ۸۰%، ۶۰%، ۴۰% و ۲۰% کل داده ها به صورت تصادفی انتخاب شدند. افزایش دادههای ورودی تا جایی که در الگوی حاکم بر دادهها تنوعی پیش نیاید، با بهبود عملکردشبکه همراه است؛ در غیر اینصورت باید دادههای ورودی دسته بندی شوند.