تخمین تخلخل یک مخزن هیدروکربوری با استفاده از سیستم‌های چند شبکه‌ای
در این مقاله سیستم‌های چندشبکه‌ای به منظور کاهش خطا و افزایش دقت نتایج حاصل از روش شبکه عصبی مصنوعی پیشنهاد شده است. در این سیستم‌ها نتایج<br /> چندین شبکه که به طور منفرد و مجزا آموزش دیده‌اند، به روشی مناسب با هم ترکیب می‌شود. در این مطالعه تخلخل مؤثر یکی از مخازن هیدروکربوری میدان عظیم پارس...
| Main Authors: | , |
|---|---|
| Format: | Article |
| Language: | fas |
| Published: |
Research Institute of Petroleum Industry
2013-08-01
|
| Series: | Pizhūhish-i Naft |
| Subjects: | |
| Online Access: | https://pr.ripi.ir/article_296_18771313a1cbee9ff5978754be9b0fff.pdf |
| Summary: | در این مقاله سیستم‌های چندشبکه‌ای به منظور کاهش خطا و افزایش دقت نتایج حاصل از روش شبکه عصبی مصنوعی پیشنهاد شده است. در این سیستم‌ها نتایج<br /> چندین شبکه که به طور منفرد و مجزا آموزش دیده‌اند، به روشی مناسب با هم ترکیب می‌شود. در این مطالعه تخلخل مؤثر یکی از مخازن هیدروکربوری میدان عظیم پارس جنوبی با استفاده از سیستم‌های چندشبکه‌ای برآورد شده است. از شبکه‌های عصبی مصنوعی پس انتشار خطا که به روش اعتبارسنجی همزمان آموزش دیده‌اند، به عنوان اجزای سیستم‌های چندشبکه‌ای استفاده شد. داده نگارهای چاه از 4 چاه این میدان در بازه عمقی سازند کنگان مورد استفاده قرار گرفت. نگارهای صوتی، چگالی، اشعه گاما و تخلخل نوترونی به عنوان ورودی شبکه‌ها و تخلخل مؤثر به عنوان خروجی شبکه‌ها انتخاب گردید. روش ترکیب آنسامبلی شبکه‌ها که دارای ساختاری موازی است، برای تشکیل سیستم‌های چند شبکه‌ای مورد استفاده قرار گرفت. نتایج نشان می‌دهد که ترکیب‌های آنسامبلی مناسب می‌تواند خروجی شبکه‌های عصبی مصنوعی منفرد آموزش دیده به روش اعتبارسنجی همزمان را بهبود بخشد. بهترین ترکیب آنسامبلی حاصل در این تحقیق، ترکیبی سه شبکه‌ای است که میانگین مربعات خطای تخمین تخلخل الگوهای آموزش و آزمون را نسبت به بهترین شبکه عصبی مصنوعی منفرد به‌ترتیب 7/41 % و 5/21 %<br /> کاهش داده است. |
|---|---|
| ISSN: | 2345-2900 2383-4528 |