مقایسه کارکرد شبکه های عصبی مرسوم برای برآورد تخلخل در یکی از میدان های نفتی جنوب خاوری ایران
در صنعت نفت از هوش مصنوع ی برای شناسایی روابط، بهینه سازی، برآورد و ردهبندی تخلخل بهره گیری میشود. یکی از مهمترین مراحل ارزیابی پارامترهای پتروفیزیکی مخزن، شناسایی ویژگ یهای تخلخل است. هدف اصل ی این پژوهش مقایسه درست ی و تعمیم پذیری سه شبکه عصبی چن د لایه پیشخور) MLFN (، شبکه تابع شعاع مبنا(RBFN) و شبکه عصب ی احتمالی(PNN) برای برآورد تخلخل با بهره گیری از ویژگیهای لرزهای است. در این راستا، داده های زمین شناسی 7 حلقه چاه میدان نفت ی فراساحل ی هندیجان در شما ل باختری حوضه خلیج فارس مورد ارزیابی قرارگرفت. امپدانس صوت ی با بهره گیری از روش وارونگی مبتنی بر مدل برآورد ش د و سپس شبکه های عصبی یاد شده با بهره گیری از ویژگیهای لرزهای بهینه طراح ی شده و با روش رگرسیون گام به گام مورد ارزیابی قرار گرفتند. سرانجام مشخص شد که مدل MLFN برای برآورد تخلخل خوب عمل نمیکند. PNN از بهترین دقت کارکرد در درونیابی تخلخل برخوردار است، اما تعمیم پذیری RBFN بهتر است.
برآورد تخلخل ، بازگردانی لرزهای ، MLFN ، RBFN ، PNN
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.