بازسازی تصویر سنگ مخزن متراکم با شبکه عصبی مولد رقابتی
بخش قابل توجهی از منابع هیدروکربنی ایران از مخازن شکاف‌دار با ماتریس سنگ متراکم تولید می‌شود. ساختار حفرات این مخازن، پیچیدگی‌های زیادی دارد و حفرات و گلوگاه‌های ریز در ابعاد نانومتری ذخیره هیدروکربن را به‌عهده دارند. با درک ساختار فضای متخلخل و بررسی جریان سیال درون حفرات ریز می‌توان دید بهتری از ر...
| Main Authors: | , |
|---|---|
| Format: | Article |
| Language: | fas |
| Published: |
Research Institute of Petroleum Industry
2022-12-01
|
| Series: | Pizhūhish-i Naft |
| Subjects: | |
| Online Access: | https://pr.ripi.ir/article_1274_76584a6a340d7cb085d985f5e77c2daa.pdf |
| _version_ | 1797924525719945216 |
|---|---|
| author | علی کریمی سعید صادق نژاد |
| author_facet | علی کریمی سعید صادق نژاد |
| author_sort | علی کریمی |
| collection | DOAJ |
| description | بخش قابل توجهی از منابع هیدروکربنی ایران از مخازن شکاف‌دار با ماتریس سنگ متراکم تولید می‌شود. ساختار حفرات این مخازن، پیچیدگی‌های زیادی دارد و حفرات و گلوگاه‌های ریز در ابعاد نانومتری ذخیره هیدروکربن را به‌عهده دارند. با درک ساختار فضای متخلخل و بررسی جریان سیال درون حفرات ریز می‌توان دید بهتری از رفتار فضای متخلخل در مقیاس بزرگ به‌دست آورد. بررسی جریان سیال در سنگ مخزن نیازمند ساختارهای سه‌بعدی با دقت مناسب است. با این وجود استفاده از روش‌های مرسوم برای بازسازی شبکه حفرات پرهزینه است و از طرفی با پیچیده‌تر شدن این ساختارها توانایی این روش‌ها در بازسازی شبکه حفرات به‌طور چشم‌گیری کاهش می‌یابد. در سال‌های اخیر با پیشرفت در علوم کامپیوتر به ویژه هوش مصنوعی دروازه جدیدی به‌منظور بازسازی ساختارهای پیچیده به مانند سنگ مخزن گشوده شده است. با استفاده از روش‌های یادگیری ماشین می‌توان مدل‌های سه‌بعدی با دقت بسیار بالا ایجاد و خواص پتروفیزیکی سنگ را از آن‌ها محاسبه کرد. یکی از این روش‌ها شبکه عصبی مولد رقابتی می باشد که توانایی خود در بازسازی شبکه حفرات را ثابت کرده است. در این پژوهش، از یک شبکه عصبی مولد رقابتی با لایه‌های همگشتی به‌منظور بازسازی تصاویر FIB-SEM یک سنگ مخزن متراکم در مقیاس حفره استفاده شده است. با استفاده از شبکه عصبی آموزش داده شده، تحقق‌های مختلفی از شبکه حفرات ساخته می‌شود. تخلخل و تراوایی تصاویر باز ساخته شده بسیار نزدیک به این خواص در نمونه تصویر واقعی بوده و دارای انحراف به‌ترتیب 07/1 و 24/5% برای تخلخل و تراوایی است. مشاهده می‌شود که شبکه عصبی مولد رقابتی تونایی بالایی در بازسازی شبکه حفرات دارد و می‌توان با کمک آن به بررسی شرایط سنگ مخزن در مقیاس حفره پرداخت. |
| first_indexed | 2024-04-10T15:03:24Z |
| format | Article |
| id | doaj.art-b46342d32fd74d66b03171b27b801d06 |
| institution | Directory Open Access Journal |
| issn | 2345-2900 2383-4528 |
| language | fas |
| last_indexed | 2024-04-10T15:03:24Z |
| publishDate | 2022-12-01 |
| publisher | Research Institute of Petroleum Industry |
| record_format | Article |
| series | Pizhūhish-i Naft |
| spelling | doaj.art-b46342d32fd74d66b03171b27b801d062023-02-15T09:29:13ZfasResearch Institute of Petroleum IndustryPizhūhish-i Naft2345-29002383-45282022-12-01321401-5839410.22078/pr.2022.4843.31651274بازسازی تصویر سنگ مخزن متراکم با شبکه عصبی مولد رقابتیعلی کریمی0سعید صادق نژاد1گروه مهندسی نفت، دانشکده مهندسی شیمی، دانشگاه تربیت مدرس، تهران، ایرانگروه مهندسی نفت، دانشکده مهندسی شیمی، دانشگاه تربیت مدرس، تهران، ایرانبخش قابل توجهی از منابع هیدروکربنی ایران از مخازن شکاف‌دار با ماتریس سنگ متراکم تولید می‌شود. ساختار حفرات این مخازن، پیچیدگی‌های زیادی دارد و حفرات و گلوگاه‌های ریز در ابعاد نانومتری ذخیره هیدروکربن را به‌عهده دارند. با درک ساختار فضای متخلخل و بررسی جریان سیال درون حفرات ریز می‌توان دید بهتری از رفتار فضای متخلخل در مقیاس بزرگ به‌دست آورد. بررسی جریان سیال در سنگ مخزن نیازمند ساختارهای سه‌بعدی با دقت مناسب است. با این وجود استفاده از روش‌های مرسوم برای بازسازی شبکه حفرات پرهزینه است و از طرفی با پیچیده‌تر شدن این ساختارها توانایی این روش‌ها در بازسازی شبکه حفرات به‌طور چشم‌گیری کاهش می‌یابد. در سال‌های اخیر با پیشرفت در علوم کامپیوتر به ویژه هوش مصنوعی دروازه جدیدی به‌منظور بازسازی ساختارهای پیچیده به مانند سنگ مخزن گشوده شده است. با استفاده از روش‌های یادگیری ماشین می‌توان مدل‌های سه‌بعدی با دقت بسیار بالا ایجاد و خواص پتروفیزیکی سنگ را از آن‌ها محاسبه کرد. یکی از این روش‌ها شبکه عصبی مولد رقابتی می باشد که توانایی خود در بازسازی شبکه حفرات را ثابت کرده است. در این پژوهش، از یک شبکه عصبی مولد رقابتی با لایه‌های همگشتی به‌منظور بازسازی تصاویر FIB-SEM یک سنگ مخزن متراکم در مقیاس حفره استفاده شده است. با استفاده از شبکه عصبی آموزش داده شده، تحقق‌های مختلفی از شبکه حفرات ساخته می‌شود. تخلخل و تراوایی تصاویر باز ساخته شده بسیار نزدیک به این خواص در نمونه تصویر واقعی بوده و دارای انحراف به‌ترتیب 07/1 و 24/5% برای تخلخل و تراوایی است. مشاهده می‌شود که شبکه عصبی مولد رقابتی تونایی بالایی در بازسازی شبکه حفرات دارد و می‌توان با کمک آن به بررسی شرایط سنگ مخزن در مقیاس حفره پرداخت.https://pr.ripi.ir/article_1274_76584a6a340d7cb085d985f5e77c2daa.pdfبازسازی تصویرمدل‌سازی شبکه حفراتشبکه عصبی مولد رقابتیسنگ مخزن متراکممیکروسکوپ الکترونی باریکه یونی متمرکز |
| spellingShingle | علی کریمی سعید صادق نژاد بازسازی تصویر سنگ مخزن متراکم با شبکه عصبی مولد رقابتی Pizhūhish-i Naft بازسازی تصویر مدل‌سازی شبکه حفرات شبکه عصبی مولد رقابتی سنگ مخزن متراکم میکروسکوپ الکترونی باریکه یونی متمرکز |
| title | بازسازی تصویر سنگ مخزن متراکم با شبکه عصبی مولد رقابتی |
| title_full | بازسازی تصویر سنگ مخزن متراکم با شبکه عصبی مولد رقابتی |
| title_fullStr | بازسازی تصویر سنگ مخزن متراکم با شبکه عصبی مولد رقابتی |
| title_full_unstemmed | بازسازی تصویر سنگ مخزن متراکم با شبکه عصبی مولد رقابتی |
| title_short | بازسازی تصویر سنگ مخزن متراکم با شبکه عصبی مولد رقابتی |
| title_sort | بازسازی تصویر سنگ مخزن متراکم با شبکه عصبی مولد رقابتی |
| topic | بازسازی تصویر مدل‌سازی شبکه حفرات شبکه عصبی مولد رقابتی سنگ مخزن متراکم میکروسکوپ الکترونی باریکه یونی متمرکز |
| url | https://pr.ripi.ir/article_1274_76584a6a340d7cb085d985f5e77c2daa.pdf |
| work_keys_str_mv | AT ʿlyḵrymy bạzsạzytṣwyrsngmkẖznmtrạḵmbạsẖbḵhʿṣbymwldrqạbty AT sʿydṣạdqnzẖạd bạzsạzytṣwyrsngmkẖznmtrạḵmbạsẖbḵhʿṣbymwldrqạbty |