Enhancing Artificial Neural Network Training performance For Prediction of Resevoir Rock Types
| المؤلف الرئيسي: | Al Alawi, Ghalia Musallam (Author) |
|---|---|
| مؤلفين آخرين: | Al Raisi, Muatasam Hassan (Advisor) , Al Hadrami, Hamoud Khalfan (Advisor) , Al Wadhahi, Majid Ahmed (Advisor) |
| التاريخ الميلادي: |
2015
|
| موقع: | مسقط |
| الصفحات: | 1 - 65 |
| رقم MD: | 971127 |
| نوع المحتوى: | رسائل جامعية |
| اللغة: | الإنجليزية |
| الدرجة العلمية: | رسالة ماجستير |
| الجامعة: | جامعة السلطان قابوس |
| الكلية: | كلية الهندسة |
| الدولة: | عمان |
| قواعد المعلومات: | Dissertations |
| مواضيع: | |
| رابط المحتوى: |
عدد مرات التحميل
16
| المستخلص: |
تحديد نوعية صخر المكامن هو جزء لا يتجزأ من عملية توصيف المكامن، الذي هو من بين البيانات الرئيسية المدخلة إلى نماذج المحاكاة الجيولوجية والتدفقية ثلاثية الأبعاد. العديد من التقنيات والطرق تكون متاحة للتنبؤ بنوعية صخر المكامن. الأسلوب الأكثر مباشرة هو تحليل بيانات اللب الأساسية التي تعتبر مستهلكة للوقت ومكلفة جدا، بينما الأسلوب غير المباشر هو من خلال تحليل القياسات البئرية التي تعتبر رخيصة وسريعة بالإضافة إلى توفرها في معظم الآبار. وقد اكتسبت الشبكة العصبية الاصطناعية شعبية في الآونة الأخيرة، ويجري استخدامها على نطاق واسع هذه الأيام التنبؤ توصيف المكامن. بصفة عامة، أهم مرحلة في نمذجة نوع صخر الخزان باستخدام الشبكة العصبية الاصطناعية هي مرحلة التدريب حيث يتغير المدخل عندما يتم اختياره لتغذية النموذج. کي يتم اختيار مجموعة متميزة من المدخلات تكون مشكلة مجتمعة، وإجراءات الاختيار يمكن أن تأخذ وقتا طويلا لكي تحقق. المنهجية المقترحة في هذه الأطروحة لتوفير طريقة الترتيب لتحديد السجلات الأمثل بشكل جيد للتنبؤ بتحديد نوعية صخر المكامن. طرق اختيار مدخلات الانحدار التدريجي وصف الترابط قد استخدمت لصف مدخلات بيانات التسجيلات مع درجة التأثير على النتيجة المرجوة من الشبكة العصبية الاصطناعية. المتغيرات قد صفت من حيث الأهمية إلى طريقتين قد استخدموا كمدخلات إلى الشبكة العصبية. هذا قد ساعد في بناء شبكة عصبية قوية وموثوق بها للتحليل. النتائج التي تم الحصول عليها من الطريقتين تؤكد أن أربعة سجلات الآبار هي المتغيرات الأساسية الأكثر أهمية إلى الشبكة العصبية الاصطناعية لتنبؤ نوعية صخر المكامن. نتائج التنبؤ كانت ممتازة وهامش الخطأ بين نوعية صخر المكامن اللوبية ونوعية صخر المكامن المتنبأة وجدت لتكون 10 %. هذه الأطروحة تبرهن أنه يمكن تحقيق تصنيف عالي الدقة في جزء من الوقت المطلوب وفقا لأساليب التنبؤ التقليدية المعروفة. |
|---|
عناصر مشابهة
-
History Matching Protocol Using Artificial Neural Network
بواسطة: Al-Yaroubi, Saif Mohanna Sulaiman منشور: (2013) -
Neural Network-Based Estimation of Oil Well Flowing Bottom-Hole Pressure in Oman Fields
بواسطة: Al-Hinai, Ahmed Khalifa Khamis منشور: (2013) -
Performance Prediction of Foam Assisted Steam Flooding Application in A Sandstone Reservoir
بواسطة: الحكماني، سالم سعيد منشور: (2015) -
Capacitance Resistive Model (CRM) Application to Model and Optimize Waterflood in an Omani Oil Field
بواسطة: Al Saidi, Afrah Musallam Said منشور: (2014) -
Saturation-Height Model of the Amin Formation in Omani Deep Tight Gas Reservoir
بواسطة: Al Lamki, Amal Rashid Said منشور: (2015)
