پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,230 |
| تعداد مقالات | 67,765 |
| تعداد مشاهده مقاله | 115,202,974 |
| تعداد دریافت فایل اصل مقاله | 89,951,233 |
طبقه بندی و شناسایی رخساره‌های زمین‌شناسی با استفاده از داده‌های لرزه نگاری و شبکه‌های عصبی رقابتی | ||
| نشریه دانشکده فنی | ||
| مقاله 6، دوره 43، شماره 3 - شماره پیاپی 166938، شهریور 1388 اصل مقاله (621.72 K) | ||
| نویسندگان | ||
| شبنم شهبازی1؛ عبدالرحیم جواهریان2؛ مجتبی محمدو خراسانی3 | ||
| 1دانشگاه صنعتی امیرکبیر | ||
| 2موسسه ژئوفیزیک | ||
| 3شرکت ملی نفت | ||
| چکیده | ||
| بررسی تغییر رخساره‌های زمین‌شناسی در مطالعه مخازن هیدروکربوری اهمیت به سزایی دارد. بررسی و طبقه بندی بازتاب‌های لرزه‌ای، روشی توانمند در شناخت و طبقه بندی رخساره های زمین شناسی و پیش بینی توزیع رخساره‌های مخزن است. در این مقاله، روشی مبتنی بر شبکه های عصبی مصنوعی رقابتی برای شناسایی و طبقه بندی رخساره های مخزن از روی داده های لرزه نگاری معرفی شده است. اساس این روش، خصوصیات بازتاب لرزه‌ای بدون کاربرد نشانگرهای لرزه‌ای است. شبکه عصبی رقابتی، بازتاب لرزه‌ای را در پنجره مشخصی، به عنوان ورودی می گیرد و بر اساس میزان انطباق آن با سایر بازتاب‌ها، آن را در یک گروه قرار می دهد. این گروه‌بندی به دو روش بدون ناظر و با ناظر انجام می‌شود. در روش بدون ناظر که از شبکه عصبی رقابتی خود سازمانده کوهنن استفاده شده است، طبقه‌بندی بازتاب‌های لرزه‌ای بر اساس ویژگی ذاتی آنها انجام می شود و بی نیاز از اطلاعات چاه ها است. این روش برای اکتشاف های نواحی جدید به کار می رود، جایی که چاه‌های حفاری شده کم است یا وجود ندارد. در روش با ناظر که از شبکه عصبی رقابتی LVQ استفاده شده است، برای شناسایی از اطلاعات کمکی چاه‌ها نیز استفاده می کند. این روش بیشتر برای توسعه میادین تولیدی مفید است؛ جایی که تعداد چاه‌های حفاری شده زیاد است. اجرای هر دو شبکه روی داده‌های مصنوعی و نیز روی داده های واقعی زون ششم آسماری در میدان نفتی شادگان، نشان داد که آنها می توانند به خوبی توزیع رخساره‌های جانبی مخزن را پیش بینی و نقشه ناهمگنی آن را تهیه کنند. | ||
| کلیدواژه‌ها | ||
| تحلیل با ناظر؛ تحلیل بدون ناظر؛ تغییر جانبی رخساره؛ شبکه عصبی رقابتی؛ طبقه بندی رخساره‌ها | ||
| عنوان مقاله [English] | ||
| Geological Facies Classification and Identification by Seismic Data and Competitive Neural Networks | ||
| نویسندگان [English] | ||
| Shanam Shahbazi1؛ Abdolrahim Javaherian2؛ Mojtaba Mohamadu Khorasani3 | ||
| چکیده [English] | ||
| Geological facies interpretation is essential for reservoir studying. The method of classification and identification seismic traces is a powerful approach for geological facies classification and distinction. Use of neural networks as classifiers is increasing in different sciences like seismic. They are computer efficient and ideal for patterns identification. They can simply learn new algorithms and handle the nonlinearity of seismic data. They are often reliable with noisy data or atypical environments. In this paper, an approach is presented based on competitive neural network for classification and identification of the reservoir facies that uses seismic trace shape. The competitive networks can be applied on discrete facies. Its unsupervised methods are independent on the wells data and other auxiliary information. Its supervised methods are independent on the wells location. This approach can be performed in two ways. In first way, the seismic facies are classified based on entirely on the characteristics of the seismic responses, without requiring the use of any well information. It is implemented by a single layer competitive unsupervised neural network, called Kohonen self organized neural network. In the second way, automatic identification and labeling of the facies is performed by the use of seismic responses and wells data. It is implemented by a two layer competitive supervised neural network, called Learning Vector Quantizer (LVQ) neural network. The results of both analyses on artificial seismic section and actual seismic section of the sixth zone of Asmary formation in Shadegan oilfield showed reservoir facies distribution and predicted heterogeneity of their characteristics. | ||
| کلیدواژه‌ها [English] | ||
| Competitive Neural Network, Facies Classification, Lateral Facies Changes, Supervised Analysis, Unsupervised Analysis | ||
|
آمار تعداد مشاهده مقاله: 1,641 تعداد دریافت فایل اصل مقاله: 2,441 |
||