پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,230 |
| تعداد مقالات | 67,760 |
| تعداد مشاهده مقاله | 115,143,088 |
| تعداد دریافت فایل اصل مقاله | 89,904,751 |
پیش بینی نفوذپذیری از روی داده های چاه نگاری با استفاده از شبکه های عصبی مصنوعی در یکی از مخازن کربناته جنوب ایران | ||
| فیزیک زمین و فضا | ||
| مقاله 7، دوره 31، شماره 1 - شماره پیاپی 487، فروردین 1384 اصل مقاله (305.46 K) | ||
| نویسندگان | ||
| بنفشه حبیبیان؛ مجید نبى بیدهندى؛ عزت الله کاظم زاده* | ||
| چکیده | ||
| تخمین نفوذپذیری از روی داده های چاه نگاری، یک مرحلهء اساسی در مهندسی مخزن و ارزیابی سازنده است. تحقیقی که در این جا عرضه می شود، نوعی مدل سازی شبکه های عصبی مصنوعی، به منظور استفاده از نگارهای چاه برای پیش بینی نفوذپذیری، در یکی از مخازن کربناته جنوب ایران است. در این تحقیق دو شبکه پس انتشار سه لایه، برای پیش بینی نفوذپذیری، مورد استفاده قرار گرفت. شبکه او ل، نگارهای نوترون، چگالی، صوتی و پرتو گاما را به صورت ورودی به کار می برد; حال آن که در شبکهء دوم، عمق های مربوط به این داده ها نیز به ورو دی ها اضافه و نتایج در دو حالت مقایسه شده اند. بر اساس این مقایسه، مشخص شد که دقت مدل در حالت دوم بهبود قابل ملاحظه ای یافته است. | ||
| کلیدواژه‌ها | ||
| شبکه پس انتشار؛ شبکه عصبی مصنوعی؛ نفوذپذیری | ||
| عنوان مقاله [English] | ||
| - | ||
| چکیده [English] | ||
| The study presented here is an artificial neural network modeling for prediction of permeability in one of the limestone reservoirs in the south of Iran. The permeability ANN is a three layer network. We have used two separate ANNs to model permeability. Initially, density, gamma ray, neutron and sonic logs were applied for input. Then depth data related to these data were added to the input; the results of the two networks have then been compared. This comparison has shown that in the second state the accuracy of the model has been improved significantly | ||
| کلیدواژه‌ها [English] | ||
| Artificial Neural Networks, Back propagation network, Permeability | ||
|
آمار تعداد مشاهده مقاله: 2,196 تعداد دریافت فایل اصل مقاله: 1,401 |
||