پیش‌بینی تراوایی سنگ مخزن کربناته با استفاده از شبکۀ عصبی مصنوعی و ماشین بردار پشتیبان در یکی از مخازن نفتی ایران

مهیاری، ش.، صنیعی، م.، 1393، آنالیز غربالگری روش‌های مختلف ازدیاد برداشت نفت با استفاده از شبکه‌های عصبی مصنوعی برای تعدادی از مخازن جنوب غرب ایران، ماهنامه علمی- ترویجی اکتشاف و تولید نفت و گاز، 115، 62-65.

فتاحی، ه.، بیات زاده، ز.، 1395، پیش‌بینی گشتاور چرخشی مورد نیاز برای انجام عملیات حفاری انحرافی در لایه‌های سنگی با استفاده از ترکیب شبکۀ عصبی مصنوعی و الگوریتم بهینه‌سازی مبتنی بر جغرافیای زیستی، نشریه روش‌های تحلیلی و عددی در مهندسی معدن، 11.

Banfield, J. D. and Raftery, A. E., 1993, Model-based Gaussian and Non-Gaussian Clustering, Biometrics 49, No. 3, 803.

Bucheb, J. A. and Evans, H. B., 1994, Some Applications of Method Used in Electrofacies Identification, The Log Analyst 35, 14.

Cristianini, N. and Shaw-Taylor, J., 2000, An Introduction to Support Vector Machines and Other Kernel-Based Learning Methods (New York: Cambridge University Press) p 189.

Davis, JC., 2002, statistics and data analysis in geology third edition, john wiley & son, New York City.

Fraley, C. and Raftery, A. E., 1998, Mclust: Software for Model-Based Cluster and Discriminant Analysis, Technical Report No. 342, Dept. of Statistics, U. of Washington, Seattle, Washington.

Lee, S. H. and Dutta-Gupta, A., 1999, Electrofacies Characterization and Permeability Predictions in Carbonate Reservoirs: Role of Multivariate Analysis and Nonparametric Regression, SPE56658, October.

Lim, Jong-Se, Kang, J. M. and Kim, J., 1997, Multivariate Statistical Analysis for Automatic Electrofacies Determination from Well Log Measurements, paper SPE 38028 presented at the SPE Asia Pacific Oil and Gas Conference, Kuala Lumpur, 14–16 April.

Mathisen, Sang Heon Lee and Akhil Datta-Gupta, 2001, Texas A&M U. Improved Permeability Estimates in Carbonate Reservoirs Using Electrofacies Characterization: A Case Study of the North Robertson Unit, West Texas.

Mohaghegh, S., Arefi, R. and Ameri, S., 1996, Virtual measurement of heterogeneous formation permeability using geophysical well log responses, The Log Analyst (Society of Professional Well Log Analysts) pp 32–9.

Nashawi, I. S. and Malallah, A., 2009, Improved electrofacies characterization and permeability predictions in sandstone reservoirs using a data mining and expert system approach. Petrophysics, 50(03).

Noori, R., Karbassi, A. R., Moghaddamnia, A., Han, D., Zokaei-Ashtiani, M. H., Farokhnia, A. and Ghafari Gousheh, M., 2011, Assessment of input variables determination on the SVM model performance using PCA, Gamma test and forward selection techniques for monthly stream flow prediction. Journal of Hydrology, 401, 177-189.

Ripley, B. D., 1994, Modern Applied Statistics with S-Plus, Springer-Verlag, New York City 301.

Sang Heon Lee, SPE, Arun Kharghoria,SPE, and Akhil Datta-Gupta, 2002, Electrofacies Characterization and Permeability Predictions in Complex Reservoirs, June.

Vapnik, V., 1995, The Nature of Statistical Learning Theory, Springer, New York.

Wolff, M. and Pelissier-Combescure, J. 1982, “FACIOLOG—Automatic Electrofacies Determination,” paper presented at the SPWLA Annual Logging Symposium, Corpus Christi, Texas, 6–9 July.