مقایسه کارکرد مدلهای ELM و RBF برای برآورد تخلخل سازند آسماری، در یکی از میدان های فراکرانهای شمال باختری خلیج فارس
امروزه بهرهگیری از هوش مصنوعی برای افزایش دقت مطالعه و نزدیک بودن به واقعیت، بسیار متداول است و در صنعت نفت، برای افزایش دقت بررسی و شناخت رابطه میان پارامترهای گوناگون به کار میرود. هدف اصلی این پژوهش، مقایسه کارکرد دو روش ماشین یادگیری حدی (ELM) و شبکه عصبی شعاع مبنا (RBF) در مدلسازی ایستایی نفت، تخلخل است. داده های 7 حلقه چاه میدان فراکرانه ای هندیجان، واقع در کرانه شمال باختری خلیج فارس بررسی شد. در این راستا، با بهرهگیری از نشانگرهای لرزه ای پس از برانبارش، که رابطه معنی داری با تخلخل دارند، و نمودار تخلخل هر چاه، کارکرد شبکه های ELM و RBF در شرایط یکسان تنظیم و مقایسه شد. سرانجام آشکار شد که ELM کاملا به مجموعه دادهها حساس است و برای تهیه نقشه (کمی) به نقاط داده بیشتری نیاز دارد، اما ازنظر ردهبندی (کیفی) از RBF بهتر است. از سوی دیگر، RBF یکی از تواناترین الگوریتمها در نقشه برداری است، به ویژه در شمار کم دادهها و برای دیگران چالش برانگیز است.
ELM ، RBF ، تخلخل ، نشانگرهای لرزهای ، میدان فراکرانهای
- 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.