این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
علوم زمین، جلد ۲۱، شماره ۸۴، صفحات ۶۷-۷۴
عنوان فارسی بررسی تأثیر نگار صوتی بر برآورد سنگ‌شناسی توسط نمودارهای حاصل از چاه توسط شبکه عصبی مصنوعی در یکی از مخازن میدان پارس جنوبی
چکیده فارسی مقاله پیشی‌بینی سنگ‌شناسی، مرحله‌ای  اساسی در مهندسی نفت و ارزیابی سازند است. تحقیقی که در اینجا عرضه می‌شود، نوعی مدل‌سازی شبکه‌های عصبی مصنوعی، به منظور استفاده از نگارهای چاه برای برآورد سنگ‌شناسی در یکی از مخازن میدان پارس جنوبی است. در این تحقیق از دو شبکه با روش پس انتشار خطا ((back propagation error; BP  سه لایه و الگوریتم آموزش لونبرگ- مارکوآرت، برای برآورد سنگ‌شناسی، استفاده شده است. شبکه در حالت اول، نگارهای پرتو گاما،  نوترون، چگالی و اثرفتوالکتریک (PEF)  را به صورت ورودی به کار می‌برد، حال آن‌که در شبکه دوم نگار صوتی مربوط به این داده‌ها نیز به ورودی‌ها اضافه و نتایج در دو حالت مقایسه شده‌اند. با توجه به هزینه‌های  بالای مغزه‌گیری از این روش می‌توان هزینه‌های مغزه‌گیری را کاهش داد. در این مقاله، از داده‌های مربوط به چهار چاه در میدان پارس جنوبی استفاده شده است، به این صورت که شبکه، ابتدا در یکی از چاه‌های مخزن (چاه C) که دارای تحلیل مغزه بود، آموزش داده شد و در چاه دیگر (چاه D) که داده‌های آن در آموزش شبکه سهمی نداشت، آزمایش شد و پس از اطمینان از کارآیی آن، شبکه برای برآورد سنگ‌شناسی در دو چاه دیگر (چاه A وB) استفاده شد. سنگ‌های بخش بررسی شده عبارتند از: دولومیت، سنگ‌آهک، سنگ‌آهک دولومیتی، دولومیت آهکی، انیدریت، شیل، سنگ‌آهک شیلی و دولومیت شیلی. در حالت اول مقدار میانگین مربعات خطا (mean square error; MSE)  برای چاه A برابر 081/0و برای چاه B برابر094/ به دست آمد، در صورتی که در حالت دوم و اضافه شدن نگار صوتی به دیگر ورودی‌ها مقدار میانگین مربعات خطا برای چاه A برابر051/0 و برای چاه B برابر 063/0 شده است. بر اساس این مقایسه، مشخص شد که دقت مدل در حالت دوم بهبود قابل توجهی یافته و نگار صوتی توانسته است سنگ‌شناسی برآورد شده را به مقدار واقعی نزدیک‌تر کند.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Sonic Log Effect Assessment on Lithology Estimation by well Logs using Artificial Neural Network in One of the South Pars Field Reservoirs
چکیده انگلیسی مقاله Lithology Prediction is a fundamental stage in petroleum engineering and formation evaluation. This research is a type of artificial neural network modeling in order to use well bore logs in lithology prediction in a South Pars hydrocarbon reservoir. Here, two networks with three-layer back propagation (BP) method and Levenberg-Marquwardt algorithm have been used for lithology estimation. The network in the first stage, utilized gamma-ray, neutron, density and photoelectric effect (PEF) logs as inputs. On the other hand, the data of sonic log has been also added to the inputs and the results of the two stages have been compared in the second network. Considering the excessive coring expenses, this method can be used as a milestone in decreasing the coring expenses. In this paper, the following procedure is considered first, data from four wells in South Pars field has been used. Second, the network has been trained in one of the reservoir wells (well C) in which core analysis data was available. Third, in another well (well D) which its data does not affect the training process, it has been tested. Forth, after approching to the desired level of confidence in network efficiency, it has been utilized to estimate the lithology in the two other wells (wells A and B). lithologies investigated interval consist of: Dolostone, Limestone, Dolomitic Limestone, Limy Dolostone, Anhydrite, Shale, Shaly Limestone and Shaly Dolostone. In the first case, the mean square error (MSE) for well A was 0.081 and for well B was 0.094. In the second case, the sonic log was added to other input, MSE has become 0.051 in well A and 0.063 in well B. Comparing two cases, it was revealed that the model accuracy has been improved significantly in the second case and sonic log data caused the estimated lithology become closer to the real case.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله محمد امین دزفولیان | mohammad amin
دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، باشگاه پژوهشگران جوان، تهران، ایران
سازمان اصلی تایید شده: دانشگاه آزاد اسلامی علوم و تحقیقات (Islamic azad university science and research branch)

نشانی اینترنتی http://www.gsjournal.ir/article_53959_0fe66d4c1759aa19b543f0d1a91f3af6.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/960/article-960-533441.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات