پیش بینی پارامترهای پتروفیزیکی مخزن (نفوذپذیری، تخلخل و …) از طریق نگاره رزونانس مغناطیسی هسته ای NMR LOGGING)و داده های مغزه گیری به کمک هوش مصنوعی

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

 پیش بینی پارامترهای پتروفیزیکی مخزن (نفوذپذیری، تخلخل و …) از طریق نگاره رزونانس مغناطیسی هسته ای NMR LOGGING)و داده های مغزه گیری به کمک هوش مصنوعی دارای ۱۲ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد پیش بینی پارامترهای پتروفیزیکی مخزن (نفوذپذیری، تخلخل و …) از طریق نگاره رزونانس مغناطیسی هسته ای NMR LOGGING)و داده های مغزه گیری به کمک هوش 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 پیش بینی پارامترهای پتروفیزیکی مخزن (نفوذپذیری، تخلخل و …) از طریق نگاره رزونانس مغناطیسی هسته ای NMR LOGGING)و داده های مغزه گیری به کمک هوش مصنوعی،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن پیش بینی پارامترهای پتروفیزیکی مخزن (نفوذپذیری، تخلخل و …) از طریق نگاره رزونانس مغناطیسی هسته ای NMR LOGGING)و داده های مغزه گیری به کمک هوش مصنوعی :

تعداد صفحات :۱۲

چکیده مقاله:

پارامترهای پتروفیزیکی سازند، از مهم ترین و اساسی ترین پارامترهای مربوط به جریان سیال می باشد. اهمیت نفوذپذیری در صنعت نفت و گاز با کاربرد آن به عنوان پارامتر تعیین کننده ضرورت تکمیل یا عدم تکمیل چاه،مشخص می شود.نفوذپذیری همچنین در مدیریت و توسعه مخازن حیاتی است. به طور مثال تعیین دبی تولید، تعیین بازه های تکمیل مشبک کاری، طراحی الگوی افزایش برداشت و محاسبه تزریق در مخازن. پس از کشف و به کارگیری نگاره رزونانس مغناطیسی هسته ایNMR LOGGINGو همچنین کاربرد آن در مطالعات آزمایشگاهی روی نمونه های سنگ مخزن، تلاشها در جهت اندازه گیری دقیق خصوصیات پتروفیزیکی سنگ مثل تخلخل و تراوایی با این روش آغاز و همچنان ادامه دارد. به دلیل مشکلات و هزینه های بالای عملیات مغزه گیری درچاه های نفت و گاز، که امکان اندازه گیری مستقیم پارامترهای تخلخل و تراوایی را در آزمایشگاه میسر می سازد به کارگیری ابزارهای CMR(Combinable Magnetic و MRIL(magnetic resonance image log) Resonance) به منظور اندازه گیری غیر مستقیم ولی دقیق پارامترهای پتروفیزیکی سنگ مخزن انجام شد. بدین منظور و جهت اندازه گیری پارامتر مهم تراوایی سنگ، دو مدلSDR(Schlumberger Doll و Coates Research) موجود می باشد. دراین مقاله سعی شده است با به کارگیری هوش مصنوعی و همچنین با بررسی داده های نگارهCMR و اطلاعات مغزه، روش جدیدی برای پیش بینی نفوذپذیری سازند ارائه شود که دقت بالاترینسبت به مدل هایSDR و Coates دارد.