مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

مقاله طرح

مشخصات مقاله

مجری: پژوهشکده تکنولوژی تولید
سال:1388 | تاریخ پایان: مهر 1388

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

video

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

sound

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید:

459
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

0
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات طرح

عنوان

استفاده از هوش مصنوعی در پیش بینی IPR مخازن نفتی اشباع

نهاد حامی(کارفرما)

 جهاد دانشگاهی

نویسندگان

 محسن-ابراهیمی

صفحات

 صفحه شروع | صفحه پایان

کلیدواژه

ثبت نشده است

چکیده

 هدف از این طرح امکان سنجی استفاده از هوش مصنوعی در پیش بینی IPR مخازن نفتی اشباع است. برای فشارهای بالای نقطه حباب، معمولا از معادله خط راستی جهت تخمین عملکرد جریان ورودی به چاه (IPR) استفاده می شود. با این وجود، وقتی فشار به زیر نقطه حباب می افتد معادله از حالت خط راست خارج می شود. گرچه روش های تحلیلی می توانند به دقت IPR چاه را در بالای نقطه حباب تعیین کنند، ولی تنها روابط تجربی برای مدل سازی IPR در زیر نقطه حباب موجود است و بنابراین همواره اختلافاتی با مقدار واقعی IPR وجود دارد. روش های هوش مصنوعی مانند شبکه های عصبی، منطق فازی، و الگوریتم ژنتیک ابزارهایی قدرتمند و قابل اتکا برای تحلیل بخش های مختلف صنعت نفت و گاز هستند. در این طرح برای تخمین IPR چاه های نفتی، دو مدل نرو فازی شاملLocal Linear Neuro Fuzzy Model (LLNFM) و Adaptive Neuro Fuzzy Interface System (ANFIS) با روش Multi Layer Perceptron (MPL) و روابط تجربی مقایسه شده اند. روش LLNFM از یک الگوریتم جدید بهبود یافته به نام Local Linear Model Tree (LOLIMOT) برای آموزش شبکه استفاده می نماید. 16 مدل مخزن با گستره وسیعی از تراوایی های نسبی و خواص سیال مخزن شبیه سازی شده اند. اطلاعات مورد نیاز آموزش از 14 مدل شبیه سازی شده به دست آمده اند و دو مدل دیگر جهت چک کردن خطا و تست عملکرد مدل ها به کار می روند. نتایج نشان می دهند که مدل LLNFM در مقایسه با دیگر مدل های هوش مصنوعی و روابط تجربی کمترین میزان خطا را برای داده های تست می دهد.

استنادها

  • ثبت نشده است.

    • ارجاعات

  • ثبت نشده است.

    • استناددهی

    APA: کپی

    ابراهیمی، محسن. (مهر 1388). استفاده از هوش مصنوعی در پیش بینی IPR مخازن نفتی اشباع. تهران، ایران: مراکز جهاد دانشگاهی. https://sid.ir/paper/786458/fa

    Vancouver: کپی

    ابراهیمی محسن. [Internet]. استفاده از هوش مصنوعی در پیش بینی IPR مخازن نفتی اشباع. تهران، ایران: مراکز جهاد دانشگاهی؛ مهر 1388. Available from: https://sid.ir/paper/786458/fa

    IEEE: کپی

    محسن ابراهیمی، “استفاده از هوش مصنوعی در پیش بینی IPR مخازن نفتی اشباع،” ایران، مراکز جهاد دانشگاهی، مهر 1388. [Online]. Available: https://sid.ir/paper/786458/fa

    مقالات مرتبط نشریه ای

  • ثبت نشده است.

    • مقالات مرتبط همایشی

  • ثبت نشده است.

    • طرح های مرتبط

  • ثبت نشده است.

    • کارگاه های پیشنهادی






    مرکز اطلاعات علمی SID
    strs
    دانشگاه امام حسین
    بنیاد ملی بازیهای رایانه ای
    کلید پژوه
    ایران سرچ
    ایران سرچ
    بازگشت به بالا
    telegram sharing button
    whatsapp sharing button
    linkedin sharing button
    twitter sharing button
    email sharing button
    email sharing button
    email sharing button
    sharethis sharing button