به جمع مشترکان مگیران بپیوندید!

تنها با پرداخت 70 هزارتومان حق اشتراک سالانه به متن مقالات دسترسی داشته باشید و 100 مقاله را بدون هزینه دیگری دریافت کنید.

برای پرداخت حق اشتراک اگر عضو هستید وارد شوید در غیر این صورت حساب کاربری جدید ایجاد کنید

عضویت
جستجوی مقالات مرتبط با کلیدواژه

whale optimization algorithm

در نشریات گروه مهندسی معدن
تکرار جستجوی کلیدواژه whale optimization algorithm در نشریات گروه فنی و مهندسی
تکرار جستجوی کلیدواژه whale optimization algorithm در مقالات مجلات علمی
  • یوسف عسگری نژاد، علی مرادزاده*
    در تعیین نقاط بهینه حفاری های تولیدی مهم است که زون های با کیفیت مخزنی مشخص باشند. برای این منظور از داده های ژیوشیمیایی که معمولا تعداد آن ها کم است استفاده می کنند. این گسستگی داده ها باعث ایجاد شکاف اطلاعاتی می شود. چنانچه از داده هایی با پیوستگی بیشتر استفاده شود طوری که دقت مدل سازی مناسب باشد، حفاری ها با شانس بیشتری انجام می شود. در این مطالعه هدف بر این است تا کیفیت رخساره های گازی با استفاده از دو روش ناپارامتری آماری (پارزن) و تکنیک یادگیری عمیق با نظارت (شبکه عصبی بازگشتی حافظه کوتاه مدت بلند LSTM) و به کمک داده های نگار چاه و لرزه ای مدل شوند. همچنین در نظر است شبکه طراحی شده به وسیله دو روش بهینه سازی ابتکاری الگوریتم رقابت استعماری و الگوریتم نهنگ بهینه سازی شود. نتایج حاصل از این مطالعه نشان می دهد که هر دو روش نتایج خوبی در طبقه بندی دارند، طوری که مدل سازی کیفیت رخساره های گازی با استفاده از تکنیک یادگیری عمیق با نظارت با دقت بیشتری (87%) نسبت به روش ناپارامتری پارزن (83%) انجام گرفته است. همچنین با اعمال الگوریتم های بهینه سازی دقت شبکه بیشتر شده است. بهترین دقت مربوط به شبکه LSTM بهینه شده با الگوریتم رقابت استعماری  (90%) است. گزارش ها و داده های ژیوشیمیایی مغزه های چاه، اعتبارسنجی بالای این مدل سازی ها را نشان می دهد.
    کلید واژگان: کیفیت رخساره گازی، شبکه حافظه کوتاه مدت بلند، پارزن، الگوریتم رقابت استعماری، الگوریتم نهنگ
    Y. Asgari Nezhad, A. Moradzadeh *
    In determining the optimal points of production drilling, it is important to identify areas of suitable reservoir quality. For this purpose, the use of geochemical data, which is usually small in number, is common. This data discontinuity creates information gaps. If one uses more continuous data so that its modeling accuracy is suitable, the drilling could be then performed with more success. In this study, seismic and well logs data were used to classify the quality of gas facies by two non-parametric statistical (Parzen) and supervised deep learning techniques (long-term short-term memory network (LSTM)). The LSTM network was then also optimized by two heuristic optimization methods (Imperialistic competition algorithm and Whale algorithm). The obtained results indicate that both methods produce good results in classification so that the modeling accuracy of gas facies quality using supervised deep learning technique (87%) is more than that of the non-parametric Parzen (83%) method. Moreover, the application of optimization algorithms has increased the classification accuracy. The best accuracy is related to the LSTM network optimized with the imperialistic competition algorithm (90%). Geochemical reports and well cores data show the high validity of these models.
    Keywords: Quality of gas facies, LSTM network, Parzen, Imperialistic competition algorithm, Whale optimization algorithm
نکته
  • نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
  • کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
  • در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
درخواست پشتیبانی - گزارش اشکال