Artificial Neural Network in Heterogeneity Mapping and Lithofacies Classification of Amin Formation Using Seismic, and Log Data
| المؤلف الرئيسي: | Al Sawafi, Abir Abdullah Bakhit (Author) |
|---|---|
| مؤلفين آخرين: | Farfour, Mohammed (Advisor) , Sundararajan, Narasimman (Advisor) |
| التاريخ الميلادي: |
2018
|
| موقع: | مسقط |
| الصفحات: | 1 - 64 |
| رقم MD: | 972134 |
| نوع المحتوى: | رسائل جامعية |
| اللغة: | الإنجليزية |
| الدرجة العلمية: | رسالة ماجستير |
| الجامعة: | جامعة السلطان قابوس |
| الكلية: | كلية العلوم |
| الدولة: | عمان |
| قواعد المعلومات: | Dissertations |
| مواضيع: | |
| رابط المحتوى: |
عدد مرات التحميل
25
| المستخلص: |
تعرف الخزانات الهيدروكربونية الغير تقليدية بتعقيداتها، والتي تتطلب نهجا وحلولا أكثر تقدما من المستخدمة في الخزانات التقليدية. ومع التقدم في أساليب المسح الزلزالي، تم حل عدد كبير من المشاكل المعقدة. ولقد ساعد هذا الجيوفيزيائيين بشكل كبير وملحوظ في فهم خصائص الخزانات. وكمثال على ذلك من عمان، تشكيل أمين والذي يعد أحد أهم حقول الغاز الرئيسية في شمال السلطنة. يقع خزان أمين على عمق يتراوح بين 4800 و5000 متر. في الواقع، فشلت الطرق التقليدية في توفير رسما معقولا لتكوين أمين، خاصة مع عدد قليل من الآبار. تحتوي الآبار على عدد من الخصائص التي تم تسجيلها داخل البئر، في حين تغطي المسوح الزلزالية مساحات كبيرة من الخزان ولكن بدرجة دقة أقل من التي سجلت في الآبار. والهدف من هذه الرسالة هو تطوير فهم نوعية الخزان في تشكيل أمين، وذلك باستخدام الشبكة العصبية الاصطناعية (آن). سيتم استخدام هذه الشبكة للتنبؤ بالسجلات المفقودة وحجم تشبع المياه لمكمن الإنتاج. ثم ستستخدم لتخطيط التشكيل المستهدف وتصنيف الطبقات المكونة له. والتي بدورها ستسمح بإنشاء خرائط ومكعبات من خصائص الخزان. كثير من أساليب التكامل عملية روتينية في تفسير البيانات وهذا يشمل الشبكة العصبية الاصطناعية (أن)، حيث يساعد التكامل لبلوغ القيمة القصوى من البيانات الزلزالية، وإنشاء مكعبات البيانات مثل المسامية والتشبع. وباستخدام الشبكة (أن)، تم التنبؤ بالمسامية، والنفاذية، وتشبع المياه، وخرائط أشعة غاما على طول أفق أمين. وتشير الخرائط إلى مسامية ونفاذية منخفضة على حد سواء في تشكيل أمين. علم الأحجار والمعلومات الجيولوجية دعمت الخرائط المتنبأ بها. وعلاوة على ذلك، لوحظت زيادة في المسامية حول المناطق المكسورة وذات الأخاديد. بالإضافة إلى ذلك. تظهر خريطة أشعة جاما نطاق من الإشعاع الطبيعي بين (65-0 غابي) وهو مؤشر جيد للرمل. وباستخدام التنظيم الذاتي للشبكة العصبية الاصطناعية (أن)، تم تقسيم أفق أمين إلى قطاعات بمساعدة من بيانات الآبار (البئر 6 والبئر 2) بحيث تم تحديد الرمال المشبعة بالمياه والرمال المشبعة بالهيدروكربون بناء على معلومات من بيانات البئر 1،5 و4. وكان هناك بئر واحدة (البئر-3) على الهامش. وكتوصية لهذا العمل، فإن استخدام المزيد من الآبار في الشبكة العصبية الاصطناعية سيوفر في الواقع خرائط مفصلة للغاية وعلى مستوى أعلى بكثير. |
|---|
عناصر مشابهة
-
Classification of Brain Tumor Using Artificial Neural Network
بواسطة: داخل ، نور حيدر منشور: (2017) -
Using Artificial Neural Networks and Statistical Models for Classifying Data for the Labor Force Survey in Palestine
بواسطة: الديراوي، عبدالله سلمان منشور: (2023) -
Domestic water demand dorecasting using artificial neural networks and time series
بواسطة: Abo Monasar, Amin Ali منشور: (2010) -
Using Enhanced Artificial Neural Networks Model for Classification and Prediction of Diabetes
بواسطة: Qteat, Haneen Omar Ismail منشور: (2019) -
Epositional and Enviromental Indentifications Using Seismic Attriutes in Nayil Formation, Haraz Area – Muglad Basin, Sudan
بواسطة: Saad, Sami Mohamed Elfatih منشور: (2018)
