عنوان

تخمین سرعت موج برشی با استفاده از شبکه عصبی عمیق

شماره

۴۸۸۰پ

زبان متن نوشتاري يا گفتاري و مانند آن

فارسی

عنوان اصلي

تخمین سرعت موج برشی با استفاده از شبکه عصبی عمیق

نام عام مواد

[پایان نامه]

نام نخستين پديدآور

فاطمه ملکی

نام ناشر، پخش کننده و غيره

صنعتی سهند

تاریخ نشرو بخش و غیره

۱۴۰۰

نام خاص و کميت اثر

۱۳۵ص.

ساير جزييات

مصور، جدول، نمودار

مواد همراه اثر

CD

جزئيات پايان نامه و نوع درجه آن

کارشناسی ارشد

نظم درجات

مهندسی نفت- اکتشاف

زمان اعطا مدرک

۱۴۰۰/۱۲/۰۱

متن يادداشت

در صنعت اکتشاف نفت و گاز، سرعت موج برشی به همراه سایر لاگ¬های پتروفيزیکی ابزاری برای توصيف مخازن هيدروکربنی و مطالعات ژئوفيزیکی مانند تغييرات دامنه با افست (AVO) و پروفایل لرزه¬ای عمودی (VSP) است. علاوه براین، سرعت موج برشی همراه با سرعت موج تراکمی در تعيين نوع سيال منفذی، چگالی، سنگ شناسی، ناهمسان¬گردی، خواص مکانيکی سنگ (مدول یانگ، نسبت پواسون و ...)، تفسير لرزه-ای و ... بسيار مفيد است. سرعت موج برشی معمولا با ابزار تصویرگر دوقطبی برشی (DSI) اندزه¬گيری می-شود. داده¬های سرعت موج برشی اغلب به دليل:¬ هزینه اندازه¬گيری بالا و عدم اندازه¬گيری درچاه¬های قدیمی در دسترس نيستند. از این¬رو، تخمين سرعت موج برشی به یک مسئله چالش برانگيز تبدیل شده است. روشهای مختلفی برای تخمين سرعت موج بر شی توسط محققين پيشنهاد شده است که از جمله آنها می-توان به روابط تجربی و مدل¬های فيزیک سنگ، تحليل رگرسيون و روش¬های هوشمند اشاره کرد.در سال¬های اخير استفاده از یادگيری عميق که تکنيکی جدید در هوش مصنوعی و یادگيری ماشينی است، در زمينه اکتشاف نفت و گاز در حال افزایش است. تخمین سرعت موج برشی با استفاده از شبکه¬های عصبی عميقبه دليل استخراج ویژگی از داده¬ها، دقت و سرعت بالا توجه بسياری را به خود جلب کرده¬است. در این تحقيق یک شبکه عصبی عميق دو لایه با الگوریتم آموز شی Levenberg-Marquart با استفاده از نرم افزار MATLAB برای تخمين سرعت موج برشی طراحی شد. داده¬های مورد استفاده مربوط به یکی از ميادین نفتی جنوب غربی ایران است. برای بررسی عملکرد شبکه طراحی شده، داده¬های برآورد شده با مقادیر واقعی مورد مقایسه قرار گرفت. طبق نتایج بدست¬آمده، سرعت موج برشی با استفاده از شبکه عصبی عميق با ضریب همبستگی 0.93 محاسبه شد.

متن يادداشت

In oil and gas exploration industry, shear wave velocity (Vs) along with other petrophisical logs are useful tools for describing hydrocarbon reservoirs and geophysical studies, such as Amplitude Variation with Offset (AVO) and Vertical Seismic Profiling (VSP). In addition, shear wave velocity along with compressional wave velocity (Vp) is very useful in determining the type of pore fluid, density, lithology, anisotropy, mechanical properties of rock (Young's modulus, Poisson ratio and etc.), seismic interpretation and etc.Vs is usually measured by Dipole Shear Sonic imager (DSI). Shear wave velocity is rate due to: high measurement cost and lack of measurement in old wells. Various methods for Vs estimation have been proposed by researchers, including: experimental relationships and rock physics models, regression analysis, and intelligent methods. In recent years, the use of deep learning, which is a new technique in artificial intelligence and machine learning, is increasing in oil and gas exploration field. Vs prediction using deep neural networks has attracted lots of attention due to its feature extraction from data, high accuracy and speed. In this researcha two-layer deep neural network with Levenberg-Marquat training algorithm was designed using MATLAB, to estimate shear wave velocity. The data used is related to one of the oil fields in southwestern Iran. To evaluate the performance of the designed network, the estimated data were evaluated with real data. According to the results, the shear wave velocity was calculated using the designed deep neural network with about 93 percents of correlation coefficient.

عنوان گونه گون

Shear wave velocity Estimation, using deep neural network

موضوع مستند نشده

سرعت موج برشی

موضوع مستند نشده

هوش مصنوعی

موضوع مستند نشده

یادگیری ماشین

موضوع مستند نشده

شبکه عصبی عمیق

اصطلاح موضوعی

سرعت موج برشی، هوش مصنوعی، یادگیری ماشین، شبکه عصبی عمیق

اصطلاح موضوعی

shear wave velocity, Artificial intelligence, Machine learning, Deep neural network

مستند نام اشخاص تاييد نشده

ملکی، فاطمه

عنصر شناسه اي

شادمنامن

ساير عناصر نام

، نوید

کد نقش

استاد راهنما

عنصر شناسه اي

صنعتی سهند

کشور

ایران

سازمان

دانشگاه صنعتی سهند

شماره بازیابی

نفت، ۲۰۱۵۱، ۱۴۰۰

فرمت انتشار

p

نوع ماده

TF

کد کاربرگه

92029

سطح دسترسي

a

تكميل شده

Y