|  درخواست عضويت  |  رمز خود را فراموش کرده ايد؟  |  ورود اعضا [Sign in]
جستجوي پيشرفته مطالب   |  
 جستجو:  
magiran.com >  مجله محيط و معدن >سال نهم، شماره 2 > متن
مشخصات نشريه
آخرين شماره
آرشيو شماره هاي گذشته
جستجوي مطالب
سايت اختصاصي
تماس با نشريه
ارسال الکترونيکي مقاله
شماره جديد اين نشريه
سال نهم
شماره 2
Spring 2018


 راهنمای موضوعی نشريات
اين نشريه در گروه(های) زير قرار گرفته است:
1 مهندسي معدن

خدمات سايت




 


Journal of Mining and Environement, 2018(Issue 2)



Title:
Porosity classification from thin sections using image analysis and neural networks including shallow and deep learning in Jahrum formation


Author(s):
M. Abedini *, M. Ziaii, Y. Negahdarzadeh, J. Ghiasi-Freez

Paper language: English


Abstract:
The porosity within a reservoir rock is a basic parameter for the reservoir characterization. The present paper introduces two intelligent models for identification of the porosity types using image analysis. For this aim, firstly, thirteen geometrical parameters of pores of each image were extracted using the image analysis techniques. The extracted features and their corresponding pore types of 682 pores were used for training two intelligent models, BPN (back-propagation network) and SAE (stacked autoencoder). The trained models take the geometrical properties of pores to classify the type of six porosity types including
intra-particle, inter-particle, vuggy, moldic, biomoldic, and fracture. The MSE values for the BPN and SAE models were found to be 0.0042 and 0.0038, respectively. The precision, recall, and accuracy of the intelligent models for classifying the types of pores were calculated. The BPN model was able to correctly recognize 193 intra-particle pores out of 197 ones, 45 inter-particle pores out of 50 ones, 7 vuggy pores out of 9 ones, 10 moldic pores out of 12 ones, 2 biomoldic pores out of 3 ones, and 6 fractures out of 7 ones. Also the SAE model was able to correctly classify 193 intra-particle pores out of 197 ones, 46 inter-particle pores out of 50 ones, 8 vuggy pores out of 9 ones, 10 moldic pores out of 12 ones, 3 biomoldic pores out of 3 ones, and 7 fractures out of 7 ones. The results obtained showed that the SAE model carried out a bit more accuracy for classification of the inter-particle, vuggy, biomoldic, and fracture pores.

Keywords:
porosity classification; image analysis; neural network; deep learning; stacked autoencoder
 

دوست گرامي:

    با تشکر از همراهي شما به اطلاع مي رساند مطالعه متن مقالات نشريات و خدمات اختصاصي اين سايت تنها براي اعضا و با پرداخت حق عضويت (اشتراک طلايي) امکان پذير است.

  هزینه حق عضویت سالانه(اشتراک طلایی):

  • مشترکان داخل کشور     250.000 ريال (100 مقاله اعتبار اولیه) پرداخت با همه کارتهای بانکی
  • مشترکان خارج از کشور   50 دلار  (100 مقاله اعتبار اولیه) پرداخت با  Paypal
  اگر عضو سايت هستيد:
     شناسه کاربري:
     رمز عبور:

  اگر عضو سايت نيستيد:
شما با تکميل فرم عضويت و تاييد نشاني ايميل خود در سايت "بانک اطلاعات نشريات کشور magiran.com"  مي توانيد از امکانات اختصاصي اين سايت به شرح زير استفاده نماييد.:
  • دسترسي به متن مقالات پس از پرداخت حق عضويت و فعال سازی اشتراک طلايي
  • استفاده از  فروشگاه سايت و سفارش اينترنتي اشتراک نسخه چاپي نشريات با 10 درصد تخفيف
  • ايجاد فهرست نشريات مورد علاقه براي دسترسي سريع
  • اطلاع از انتشار نشريات مورد علاقه از طريق پست الکترونيکي
  • دريافت روزانه سرخط مطالب روزنامه هاي عضو بر اساس کلمات انتخابي خودتان تا سقف 10 عنوان


آيا مايل به عضويت در بانک اطلاعات نشريات کشور هستيد؟ 
(رايگان)

          

 



 

 

 
 
ارسال مطلب به دوستان
نظر بدهيد
ثبت در فهرست علائق

معرفی سايت به ديگران
گزارش اشکال در اطلاعات
اشتراک نشريات ديگر
 جستجوی مطالب
کلمه مورد نظر خود را وارد کنيد

جستجو در:
آرشيو اين مجله
همه مجلات عضو
مجلات علمی مصوب
متن روزنامه های عضو
    
جستجوی پيشرفته



 

اعتماد
ايران
جام جم
دنياي اقتصاد
رسالت
شرق
كيهان
 پيشخوان
مجله دانشگاه علوم پزشكي اراك
متن مطالب شماره 3 (پياپي 132)، خرداد و تير 1397را در magiran بخوانيد.

 

 

 

سايت را به دوستان خود معرفی کنيد    
 1397-1380 کليه حقوق متعلق به سايت بانک اطلاعات نشريات کشور است.
اطلاعات مندرج در اين پايگاه فقط جهت مطالعه کاربران با رعايت شرايط اعلام شده است.  کپی برداري و بازنشر اطلاعات به هر روش و با هر هدفی ممنوع و پيگيرد قانوني دارد.
 

پشتيبانی سايت magiran.com (در ساعات اداری): 77512642  021
تهران، صندوق پستی 111-15655
فقط در مورد خدمات سايت با ما تماس بگيريد. در مورد محتوای اخبار و مطالب منتشر شده در مجلات و روزنامه ها اطلاعی نداريم!
 


توجه:
magiran.com پايگاهی مرجع است که با هدف اطلاع رسانی و دسترسی به همه مجلات کشور توسط بخش خصوصی و به صورت مستقل اداره می شود. همکاری نشريات عضو تنها مشارکت در تکميل و توسعه سايت است و مسئوليت چگونگی ارايه خدمات سايت بر عهده ايشان نمی باشد.



تمامي خدمات پایگاه magiran.com ، حسب مورد داراي مجوزهاي لازم از مراجع مربوطه مي‌باشند و فعاليت‌هاي اين سايت تابع قوانين و مقررات جمهوري اسلامي ايران است