مقاله پیشبینی تراوایی سنگ مخزن کربناته با استفاده از شبک? عصبی مصنوعی و ماشین بردار پشتیبان در یکی از مخازن نفتی ایران
توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد
مقاله پیشبینی تراوایی سنگ مخزن کربناته با استفاده از شبک? عصبی مصنوعی و ماشین بردار پشتیبان در یکی از مخازن نفتی ایران دارای ۲۶ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است
فایل ورد مقاله پیشبینی تراوایی سنگ مخزن کربناته با استفاده از شبک? عصبی مصنوعی و ماشین بردار پشتیبان در یکی از مخازن نفتی ایران 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 پیشبینی تراوایی سنگ مخزن کربناته با استفاده از شبک? عصبی مصنوعی و ماشین بردار پشتیبان در یکی از مخازن نفتی ایران،به هیچ وجه بهم ریختگی وجود ندارد
بخشی از متن مقاله پیشبینی تراوایی سنگ مخزن کربناته با استفاده از شبک? عصبی مصنوعی و ماشین بردار پشتیبان در یکی از مخازن نفتی ایران :
تعداد صفحات :۲۶
تراوایی از مؤلفههای اساسی در ارزیابی مخازن هیدروکربنی است که عمدتاً از طریق اندازهگیریهای آزمایشگاهی از مغزه یا دادههای چاهآزمایی به دست میآید. با این حال، به دلیل هزین زیاد و فراوانی کم این نوع از دادهها، پیشبینی تراوایی با استفاده از دادههای چاهنگاری از جایگاه ویژهای برخوردار است. در این مطالعه، برای تخمین تراوایی، ابتدا دادههای چاهنگارها با توجه به مطالعات زمینشناسی صورت گرفته بر روی میدان مورد مطالعه به چهار گروه رخسارههای الکتریکی دستهبندی میشوند: پکستون-وکستون–مادستون، پکستون–وکستون، گرینستون–پکستون و گرینستون–پکستون–وکستون.
در این مطالعه، از شبکههای عصبی مصنوعی و ماشین بردار پشتیبان برای تخمین تراوایی در یکی از مخازن ناهمگون کربناته با استفاده از دادههای چهار چاه در میدان مذکور استفاده شده است. جهت تخمین تراوایی، ابتدا دادههای نگارههای چاه با استفاده از روشهای «تجزیهوتحلیل مؤلفههای اصلی» و «تجزیهوتحلیل خوش مبتنی بر مدل» به رخسارههای الکتریکی تقسیمبندی شدهاند. سپس هر رخسار الکتریکی بهعنوان ورودی شبک عصبی مصنوعی و ماشین بردار پشتیبان جهت تخمین تراوایی در نظر گرفته شدهاند.
شبک عصبی مصنوعی با استفاده از «توابع پسانتشار لونبرگ»، «گرادیان نزولی با تکانه وزنی» و «تابع یادگیری بیاس» با ده لای مخفی آموزش داده شده است. از ماشین بردار پشتیبان با رگرسیونهای اپسیلون و نو با توابع کرنلی مختلف استفاده شده است. در این مطالعه، تابع کرنل شعاعی ماشین بردار پشتیبان دارای خطای کمتری در مقایسه با شبک عصبی است. خطای حاصل از ماشین بردار پشتیبان برای رخسارههای الکتریکی گروه اول تا چهارم به ترتیب برابر است با: ۰.۰۰۶۵، ۰.۰۲۴۲، ۳.۶۵۸۷ و ۰.۰۱۹۵.
- در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.