پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,225 |
| تعداد مقالات | 67,685 |
| تعداد مشاهده مقاله | 114,971,748 |
| تعداد دریافت فایل اصل مقاله | 89,643,096 |
مقایسه تکنیکهای تحلیل داده در پیش بینی میزان تولید نفت: مورد کاربردی میدان اهواز | ||
| فصلنامه تحقیقات اقتصادی | ||
| مقاله 8، دوره 44، شماره 1، بهمن 1388 اصل مقاله (971.22 K) | ||
| نویسنده | ||
| محمدرضا مقدم | ||
| چکیده | ||
| این مقاله به توصیف و مقایسه پیش بینیهای دو روش از بین روشهای تحلیل دادهها، روش منحنی کاهش (DCE) با استفاده از روش رگرسیون و روش شبکة عصبی مصنوعی (ANN) میپردازد. نتایج بهدست آمده مربوط به تولید حاصل از چاههای واقع بر میدان نفتی اهواز نشان میدهند که در طول دوره برآورد، برازش روش شبکة عصبی از انطباق بهتری نسبت به روش رگرسیون (با استفاده از تکنیکهای اقتصادسنجی) برخوردار است، ولی در دورة پیش بینی تولید، با توجه به سناریوی انتخابی، پیش بینی روش شبکة عصبی بسیار متفاوت از روش رگرسیون است و نشان میدهد که تحلیلگران نباید برای تخمین تولید میادین نفتی تنها به یک روش خاص تکیه کنند. به هر حال این دو شیوه در سیستمی موسوم به “سیستم پشتیبانی تصمیم ”، DSS، برای کاربران امکان پیش بینی تولید یک میدان یا حتی یک چاه را فراهم میآورند. بنابراین، یک کارشناس میدان نفتی می‌تواند منحنی‌های مختلف مربوط به نرخهای تولید پیش‌بینی شده را مقایسه و مناسب‌ترین مدل را برای تصمیم‌گیری انتخاب نماید. بهعبارت دیگر، معادلات (ریاضی) بهکار رفته برای پیش بینی تولید یک میدان نفتی بهگونهای باید مدل سازی شوند که بتوانند مقادیر نسبتا نزدیک به یکدیگر را بهدست دهند. طبقهبندی JEL : Q4 | ||
| کلیدواژه‌ها | ||
| پیش بینی میزان تولید نفت؛ رگرسیون؛ روش شبکه‌های عصبی مصنوعی؛ روش منحنی کاهش؛ میدان نفتی | ||
| عنوان مقاله [English] | ||
| A Comparison of Data Analysis Techniques for Oil Production Prediction: The Case Study of Ahvaz Field | ||
| نویسندگان [English] | ||
| Mohammad Reza Moghaddam | ||
| چکیده [English] | ||
| This paper describes two data analysis techniques adopted in a Decision Support System (DSS), Decline Curve Estimation and Artificial Neural Network (ANN) approaches, which aid users in predicting oil production of a field. The system generates different predictions, according to scenario, chosen for prediction. These two approaches show that to explain production of a field, ANN method shows better fit to historical data, compared with regression method used for decline curve estimation. But to predict production of the same field these two show completely different forcasts, which alarms us to be careful in using a particular method for predictions. In the case of modeling a mathematical relation for production of a field, researchers should apply different approaches and compare the result to reach to a better conclusion about the production rate. JEL Classification: Q4 | ||
| کلیدواژه‌ها [English] | ||
| Artificial Neural Networks, decline curve method, oil field, Oil production prediction, Regression | ||
|
آمار تعداد مشاهده مقاله: 2,474 تعداد دریافت فایل اصل مقاله: 1,694 |
||