پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,230 |
| تعداد مقالات | 67,764 |
| تعداد مشاهده مقاله | 115,194,567 |
| تعداد دریافت فایل اصل مقاله | 89,942,538 |
استفاده از شبکه عصبی مصنوعی در برآورد حجم در جای هیدروکربن | ||
| نشریه دانشکده فنی | ||
| مقاله 5، دوره 43، شماره 3 - شماره پیاپی 166938، شهریور 1388 اصل مقاله (411.88 K) | ||
| نویسنده | ||
| علی اکبر رحیمی بهار | ||
| پژوهشگاه صنعت نفت | ||
| چکیده | ||
| تخمین دقیق حجم هیدروکربن در یک مخزن، اهمیت به سزایی دارد چرا که پایه و اساس طرح‌های توسعه ای آینده مخزن و میزان سرمایه‌گذاری‌ها را توجیه می‌کند. بنابراین برای مهندسان و کارشناسان صنایع بالا دستی برآورد حجم مخازن نفتی و گازی از دغدغه‌های همیشگی است که از زمان اکتشاف شروع و تا اتمام ذخیره قابل برداشت ادامه دارد. در این مطالعه سعی شده است تا با ابزار شبکه‌های عصبی و استفاده از داده های ژئوفیزیکی و پتروفیزیکی، مدل‌های مشخصه مخزن تهیه و بر اساس آن برآوردی از حجم در جای هیدروکربن در مخزن به دست آید. برای این هدف ابتدا مخزن شبکه‌بندی شده و به سلول‌های هم حجم تقسیم شد. سپس بر اساس تغییرات تخلخل و سنگ شناسی در چاه‌ها اقدام به زون‌بندی پتروفیزیکی درون چاه‌ها شد و با کروله کردن زون‌های درون چاه‌ها مخزن زون بندی شد. مقادیر تخلخل و اشباع آب و نیز داده‌های سه بعدی لرزه‌ای در سلول‌های مخزن میانگین‌گیری و برای هر سلول یک مقدار تعیین شد. در نهایت با طراحی یک شبکه عصبی سه لایه‌ای از نوع پرسپترون با الگوریتم پس انتشار، خطا و آموزش آن با استفاده از سلول‌های دارای مقادیر واقعی تخلخل و اشباع آب نسبت به تخمین این پارامترها در بقیه سلول‌ها اقدام شده و در نتیجه حجم در جای هیدروکربن مخزن محاسبه شد و با مقادیر به دست آمده از روش آماری مونت کارلو مقایسه شد. | ||
| کلیدواژه‌ها | ||
| اشباع آب؛ تخلخل؛ تخمین؛ حجم درجا؛ روش مونت کارلو؛ شبکه عصبی؛ مدل سازی مخزن | ||
| عنوان مقاله [English] | ||
| Estimation of Original Hydrocarbon in Place via Neural Network | ||
| نویسندگان [English] | ||
| Aliakbar Rahimibahar | ||
| چکیده [English] | ||
| Accurate estimation of hydrocarbon volume in a reservoir is important due to future development and investment on that reservoir. Estimation of Oil and Gas reservoirs continues from exploration to end of reservoir time life and is usual upstream engineer’s involvements. In this study we tried to make reservoir properties models (porosity and water saturation) and estimate reservoir volume hydrocarbon based on artificial neural network tools, petrophysical and geophysical data. So with gridding the reserve, separate it to same volume cells. Based on porosity and lithology variation in wells, constructed petrophysical zonation in each well and by correlation these zones in wells reservoir has been zoned. Porosity, water saturation and 3D seismic data have been averaged in cells and assigned one value for each cell. At final a three layer perceptron neural network by back propagation error algorithm has been designed and trained by using cells which had petrophysical data; then these parameters have been estimated in other cells and original hydrocarbon in place calculated and compared with results from Mont Carlo method. | ||
| کلیدواژه‌ها [English] | ||
| Estimation, In place volume, Monte Carlo method, Neural Network, Porosity, Reservoir modeling, water saturation | ||
|
آمار تعداد مشاهده مقاله: 1,703 تعداد دریافت فایل اصل مقاله: 3,770 |
||