ترجمه مقاله تخمین تراوایی از واکنش های چاه پیمایی - نشریه (SPE (Onepetro

قیمت خرید این محصول

۲۷,۰۰۰ تومان

دانلود رایگان نمونه دانلود مقاله انگلیسی

عنوان فارسی

تخمین تراوایی از واکنش های چاه پیمایی

عنوان انگلیسی

Permeability Estimation From Well Log Responses

صفحات مقاله فارسی

13

صفحات مقاله انگلیسی

7

سال انتشار

2005

نشریه

(SPE (Onepetro

فرمت مقاله انگلیسی

PDF

فرمت ترجمه مقاله

ورد تایپ شده

رفرنس

دارد

کد محصول

6969

وضعیت ترجمه عناوین تصاویر و جداول

ترجمه شده است

وضعیت ترجمه متون داخل تصاویر و جداول

ترجمه نشده است

وضعیت فرمولها و محاسبات در فایل ترجمه

به صورت عکس، درج شده است

رشته های مرتبط با این مقاله

مهندسی نفت

گرایش های مرتبط با این مقاله

مهندسی حفاری

مجله

نشریه علمی پژوهشی فناوری های نفتی کانادا - Journal of Canadian Petroleum Technology

دانشگاه

دانشگاه ملک سعود

۰.۰ (بدون امتیاز)

امتیاز دهید

فهرست مطالب

خلاصه
مقدمه
شبکه های عصبی مصنوعی
تشریح مخزن
مدل شبکه ی عصبی
توضیح داده ها
گسترش پیشینِ معماری شبکه ی عصبی
آموزش شبکه
نتایج مدل تراوایی شبکه عصبی
نتایج

نمونه چکیده متن اصلی انگلیسی

Abstract

Permeability is one of the most important characteristics of hydrocarbons bearing formations. Formation permeability is often measured in laboratory from cores or evaluated from well test data. However, core analysis and well test data are usually only available from a few wells in a field. On the other hand, almost all wells are logged. This paper presents a nonparametric model to predict reservoir permeability from a conventional well logs data using artificial neural network (ANN). The ANN technique is demonstrated with an application to one of Saudi oil fields. This field is the largest offshore oil field in the world and was deposited in a fluvial dominated deltaic environment. The use of conventional regression methods to predict permeability in this case was not successful. The ANN permeability prediction model was developed from some of the data set consisting of core permeability and well logs data from three early development wells. The ANN model was built and trained from some of the well logs data and their corresponding core measurements by using a back propagation neural network (BPNN). The resulted model was blind tested using data, which was withdrawn from the modeling process. The results of this study show that ANN model permeability predictions are consistent with actual core data. It could be concluded that the ANN model is a powerful tool for permeability prediction from well log data.

نمونه چکیده ترجمه متن فارسی

خلاصه
تراوایی یکی از مهمترین مشخصه ی سازند های هیدروکربنی می باشد. تراوایی سازند گاهی اوقات در آزمایشگاه از روی مغزه ها یا ارزیابی داده های چاه آزمایی بدست می آید. اگرچه آنالیزِ مغزه و داده های چاه آزمایی گاهی اوقات فقط برای تعدادی از چاه های میادین در دسترس است. به عبارت دیگر، تقریبا تمام چاه ها پیموده می شوند.
این مقاله یک مدل غیر پارامتری برای تخمین زدن تراوایی مخزن از داده های چاه پیمایی را با استفاده از شبکه ی عصبی مصنوعی ( ANN ) ارائه می دهد. تکنولوژی ANN به وسیله ی کاربرد برای یکی از میادین نفتی سعودی شرح داده می شود. این میدان بزرگترین میدان نفتی دریایی در جهان می باشد و در یک محیط دلتایی رودخانه ای ته نشین شده است.
استفاده از روش های رگرسیون در این موارد برای پیش بینی تراوایی موفقیت آمیز نبود. مدل پیش بینی تخمین تراوایی ANN از روی مقداری داده که شامل تراوایی مغزه و داده های چاه پیمایی از 3 چاه توسعه یافته می باشد بدست می آید. مدل ANN از روی مقداری داده ی چاه پیمایی و اندازه گیری های مغزه های متناظرشان به وسیله ی شبکه ی عصبی رایج قبلی ( BPNN ) ساخته شده و آموزش داده شده است. مدل نتیجه گیری شده آزمایشی کور بود که از داده هایی که از فرایند کنار گذاشته بودن استفاده می شد. نتایج این آزمایش نشان می داد که تخمین های تراوایی مدل ANN سازگار با داده های واقعی مغزه هستند. می توان نتیجه گرفت که مدل ANN وسیله ی قدرتمندی برای تخمین تراوایی از روی داده های چاه پیمایی می باشد.

برچسب‌ها: دانلود رایگان مقالات انگلیسی مهندسی نفت