دانلود فایل کا٠ل (pdf) - سی و یک٠ین گرده٠ایی علو٠ز٠ین

یتعیین تراوایی با استفاده از مفهوم واحدهای جریان هیدرولیکی و شبکهعصبی مصنوعیچكیده◊◊◊◊◊◊◊:تراوایی یکی از مهمترین پارامتر های مخازن نفتی است که در بسیاری از محاسبات و مدل سازی هایمخزن نقش موثری ایفا می کند یکی از روش های تخمین تراوایی،‏ استفاده از مفهوم واحد های جریاناست میدان مورد مطالعه میدان نفتی اهواز مخزنهیدرولیکیآسماری است که یکی از بزرگترین میادین تولیدی خشکی ایران می باشد.در این میدان اثبات شد کهشاخص کیفیت سنگ ، شاخص منطقه/زون جریانی ، نوع سنگ گسسته وروشی موثر جهت دسته بندی نوع سنگ می باشند.مدت زماناشباع ‎35‎‏%جیوهزیادی است که تشخیص داده شده است که بهترین حالت برقراری ارتباط میان تخلخل-تراوایی بااستفاده از داده های مغزه بر اساس دسته بندی سنگی داده های مغزه آنها بدست می آید ‏.عالوه براین ، مراحل انجام این روش در مدل سازی مخزن موردنظر در پاراگراف زیر توضیح داده شده است:‏در این مطالعه ابتدا داده های مغزه معمول برای تعیین دسته بندی سنگی در فواصل مغزه گیری شدهمورد استفاده قرار گرفتند مقادیر چاههای نمودارگیری شده در عمق های مغزه گیری شده تعیینو نرمالیزه شده و با دسته بندی سنگی محاسبه شده با استفاده از داده های مغزه مورد تجزیهو تحلیل قرارگرفتند پس از آن به دلیل اینکه با استفاده از مدل های خطی که جهت پیش بینیدسته بندی سنگی در فواصل و چاههای مغزه گیری شده ارتباطی مناسب بادرصد خطای کمبین شاخص منطقه جریانی و داده های نمودارگیری برقرار نگردید ناگزیر در مرحله بعد با استفاده ازشبکه های عصبی مصنوعی مدلی ارایه گردید که تراوایی و شاخص منطقه جریانی برای تمامچاههای نمودارگیری شده را فراهم می کند که در واقع شبکه عصبی مدلی با ضریب همبستگبسیار خوبی)DRT)) FZI(..)Hydraulic Flow Units, HFU(() RQI(Winland R35..(((بین تراوایی مغزه و تراوایی پیش بینی شده و همچنینبین شاخص منطقه جریانی محاسبه شده توسط اطالعات مغزه و شاخص منطقهجریانی پیش بینی شده در ارتباط با داده های الگ ارایه داد.‏كلید واژه ها:تراوایی،‏ واحد های جریان هیدرولیکی،دسته بندی سنگی،شبکه عصبی مصنوعی.‏Abstract:Permeability is one of the most important parameters in reservoirs that play an important roleof many calculations and reservoir modeling. One method of estimating permeability, usingconcept of Hydraulic Flow Unit (Hydraulic Flow Units, HFU). Fields of study oil field of AhvazAsmari reservoir that is one of the largest producing fields onshore of Iran. This was provenin the field that the rock quality index (RQI), the Flow Zone Index (FZI), Discrete Rock Type(DRT) and Winland R 53 are an effective method for rock type. Has long been recognizedthat the best method of relation between porosity - permeability using core data categoriesbased on rock type. In addition, the procedure of reservoir modeling is described in thefollowing paragraphs:

هی...تعیین پارامترهای پتروفیزیکی و بررسی توزیع آن ها در فواصل مخزنی ، می تواند منجر به زون بندیجدید و تغییر ضخامت تولیدی میادین شود از آن جایی که سال های متمادی است که از میادینموردنظر برداشت ذخایر هیدروکربوری صورت می گیرد ، ارزیابی های انجام شده در گذشته های دورنیاز به بازنگری وبررسی های مجدد دارد تا در آینده برای برداشت از این میادین مفید واقع شود.تخلخلو تراوایی سنگ های مخزنی از مهم ترین خواص فیزیکی مربوط به ذخیره سازی و انتقال سیاالت درمخزن هستند آگاهی دقیق از این دو ویژگی برای هر مخزن به همراه خواص سیال جهت پیش بینیعملکرد آینده نفتی میدان الزم است نمودارهای پتروفیزیکی مهم که برای تعیین تخلخل به کار میروند شامل داده های نوترون ، چگالی و صوتی می باشند.‏برای بررسی ویژگی های مخزنی سازند آسماری در میدان نفتی اهواز از الگ های سونیک، هدایت الکتریکی و چگالی)‏RHOB‏(‏ و همچنینمقاومت ویژهمقادیر تخلخل و اشباع آب محاسبه شده از الگ ها استفاده شده است که داده های نمودارگیریو‎43‎ مورد استفاده قرار گرفتند ‏.الگ های سونیک ، مقاومت ویژه ، گاماچاههای، نوترون ، هدایت الکتریکی ، چگالی و همچنین مقادیر تخلخل و اشباع آب محاسبه شده از الگها به منظور برقراری ارتباط با شاخص منطقه جریانی به صورت مرتب نسبت به عمق های که از اینعمق ها مغزه تهیه شده است و با توجه به مغزه گیری از این چاهها و بدست آمدن ویژگیهایپتروفیزیکی از جمله تخلخل و تراوایی و با در دست داشتن این خواص سنگ مخزن میتوان شاخص منطقه جریانی در چاه های فاقد مغزه را بدست آورد روابط مربوط به واحدهایجریان هیدرولیکی به چاههای فاقد مغزه تعمیم داده می شود و با در دست داشتن این شاخص درچاههای فاقد مغزه می توان تراوایی را پیش بینی کردجهت بدست آمدن ارتباط خوبی بین الگ های سونیک،مقاومت ویژه ‏،گاما ‏،نوترون ‏،هدایتچگالی و همچنین مقادیر تخلخل و اشباع آب محاسبه شده از الگ ها و شاخص منطقه جریانی بهدست آمده در مرحله ی اولیه ی کار داده های خام الگ های نام برده شده از هر چاه به صورت جداگانه مرتب کرده ابتدا برای هر چاه داده های خام الگ های ذکر شده که نسبت به عمق های مغزهگیری مرتب شده اند به همراه شاخص منطقه جریانی که مقادیر الیه های کربناته و الیه های ماسهسنگی به طور جداگانه در مرحله ی اولیه کار به دست آمدند به نرم افزار داده شد و نتیجه ی ارتباطبین این پارامتر ها مورد بررسی قرار گرفتپس از اینکه برای هر چاه با داده های خام نتایج با درصد خطای کم بدست نیامدند در مرحله بعدیداده های الگ های مورد بررسی به صورت نرمالیزه شده بکار رفته که تا حدودی نتایج بهبود یافتند وجهت تعمیم نتایج به الیه بندی و لیتولوژی های مختلف در مخزن الیه های مختلف کربناته و ماسسنگی تمامی چاه ها مرتب شدند و در این حالت برای هر الیه مشخص بررسی صورت گرفت و درنهایت تمامی داده های الیه های کربناته و ماسه سنگی موجود در سازند آسماری میدان اهوازمرتب و بررسی شدند در بررسی نهایی با روش های ریاضی و نرم افزار کاربردی نتایج با خطایباالیی بدست آمدند که در واقع ارتباط مناسبی را بین داده های نرمالیزه شده الگ ها و شاخص منطقهجریانی را نشان نمی دادند بنابراین جهت ایجاد ارتباطی صحیح از شبکه عصبی استفاده شدشاخص منطقه ی جریانی در چاه های فاقد مغزه با استفاده از روش های مختلفی نظیر شبکه هایعصبی ، منطق فازی و قابل محاسبه است . شبکه های عصبی ابزار محاسباتی هستند کهاحتیاجی به تعیین مدل ریاضی جهت مشخص کردن الگویی بین داده های ورودی و خروجی ندارندبلکه به صورت پیش فرض ، مدل های ریاضی در سیستم موجود است . شبکه های عصبی با توجه بهداده های ورودی و خروجی سعی می کنند با تغییر و تنظیم مدل های ریاضی ، الگویی رفتاری بین دادههای ورودی و خروجی را شناسایی و خود را با آن تطبیق دهند.‏ بدین ترتیب می توان با توجه به الگوییحاصل از شبکه های عصبی ، رفتار سیستم را پیش بینی کرددر مرحله بعد با استفاده از شبکه های عصبی مصنوعی مدلی ارایه گردید که تراوایی و شاخصمنطقه جریانی برای تمام چاههای نمودارگیری شده را فراهم می کند با توجه به این مدل بدوندر دست داشتن شاخص منطقه جریانی و واحدهای هیدرولیکی تنها با در دست داشتن تراوایمغزه و ارتباط آن باداده های الگ ها می توان تراوایی را در چاه های فاقد مغزه از طریق داده های لاگها پیش بینی و بدست آورد.‏از مزایای روش های دسته بندی سنگی که توده مخزن را به واحدهای هیدرولیکی مشخصی که درواقع چگونگی حرکت سیال را نشان می دهند تقسیم می کند این است که با استفاده از آن میتوان تراوایی را در چاه های فاقد مغزه پیش بینی کرد به این صورت که در این مطالعه انجام گردید براساس واحدهای هیدرولیکی و ارتباط دادن آنها با مقادیر الگ ها تحت مدل شبکه عصبی مصنوعی میتوان تراوایی را که یکی از مهمترین خواص پتروفیزیکی مخزن است را در کل توده مخزن پیش بینی کرد.‏میدان مورد مطالعه ، واقع در جنوب غربی ایران و یکی از بزرگترین میادین نفتی است این میدان کهمیدان نفتی اهواز سنگ مخزن آسماری است ، که در واقع سازند آسماری یکی از مهم ترین مخازنحوزه ی زاگرس محسوب می شود;‏ چرا که حدود درصد نفت در جای کشف شده در جنوب باختریایران در مخازن آسماری انباشته شده است به دلیل اینکه نخستین بار نفت در خاور میانه در اینسازند کشف شده است ، این سازند شهرت جهانی دارد ، با توجه به میزان تولید 600 هزار بشکه ایاین میدان نشانگر اهمیت این تحقیق می باشد،)DT(الکتریکی ،.....)CT(. [1][2].75.نوترون)‏NPHI‏(‏ ، گاما)‏GR‏(‏ ،)LLD(.....20 ،19 ، 11 ، 10، 8....

der Investitionsentscheidung und damit der ex ante Bewertung von WMS notwendigerweisezu berücksichtigen. Zudem erlaubt das hier vorgestellte Modell, welchesnach [10] die erste Entwicklungsstufe (das Einrichten einer prozessorientierten Archivorganisation)adressiert, nicht nur eine Bewertung, sondern auch – und dies dürftevon besonderem Interesse sein – Aussagen über die Gestaltung der Wissensbasis.Wissen zur Prozessausführung umschließt Prozess- und Funktionswissen. WährendProzesswissen die Ablaufreihenfolge von Aktivitäten meint, wird Funktionswissenzur Durchführung einzelner Aktivitäten benötigt [15]. Informationen über beteiligtePersonen, Rollen und Organisationseinheiten werden dem Prozesswissen zugeordnet[15]. Für den folgenden Kontext soll nur das Funktionswissen betrachtet, da dies zurkonkreten Durchführung der Tätigkeiten eines Mitarbeiters notwendig ist.Die Situation, in der ein Mitarbeiter an einer Stelle im Prozess zur weiteren AusführungFunktionswissen benötigt und danach sucht, lässt sich mit allgemeinen Suchproblemenassoziieren. Die dabei erzielbaren Vorteile, die sich durch den Einsatz einesWMS in Form von Kosteneinsparungen realisieren lassen, sind Gegenstand derfolgenden Betrachtung. Obwohl – wie oben beschrieben – neben reinen Kostenzielenmit dem Einsatz von WMS auch Qualitäts- oder Innovationsziele verfolgt werden,gehen weitere Nutzenaspekte aufgrund der Tatsache, dass sich bspw. qualitative Nutzenaspektenur schwer monetär bewerten lassen und deren Realisierung darüber hinausmit Unsicherheit behaftet ist, im Folgenden zunächst nicht ein.Einleitend wird ist ein reales Fallbeispiel einer Automobilbank beschrieben, welchesspäter die Anwendungsbasis des Ansatzes in Kapitel 4 darstellt.Fallbeispiel – Einführung:Die Automobilbank wickelt Servicebedarfe ihrer Kunden auf nationaler Ebene zentralisiertab. Da kein Filialnetz besteht, existiert kein direkter persönlicher Kontakt zumKunden, sondern dieser wendet sich per Telefon, Fax oder Brief mit seinem Serviceanliegen(z. B. Änderung der Bankverbindung oder seiner Anschrift) an die Bank unddamit an das für ihn zuständige Call- oder Servicecenter.Je nach Kundenart, Produkt, Wertschöpfungsphase oder Art des Anliegens löst derKunde einen Bearbeitungsprozess beim erreichten bzw. dem Eingangsdokument zugewiesenenMitarbeiter aus. Grundsätzlich bearbeiten alle Mitarbeiter eines Centersalle Prozesse gemäß einer auslastungsorientierten Verteilung (keine Spezialisierung).Die Prozesse, die hierbei durch den Kunden ausgelöst werden können, sind mit Ihrenmöglichen Ablaufvarianten modelliert. Die Unternehmung erhebt zudem die Anzahlder Prozessdurchläufe. Daneben wurden aufgrund von Vergangenheitsdaten innerhalbder Prozesse auch die empirischen Wahrscheinlichkeiten für die Prozessverzweigungenin einzelne Pfade ermittelt (bspw. 0,52% der gesamten Kundenanrufebetreffen Anschriftsänderungen von bei Drittbanken geführten Depots).Bei der Prozessausführung tritt nunmehr oftmals der Fall auf, dass ein Mitarbeiternicht weiß, wie eine Funktion abzuarbeiten ist. Deshalb befragt er heute i. d. R. (noch)seine Kollegen. Bleibt dies erfolglos, wendet er sich an bereichsexterne Mitarbeiter,um deren Hilfe zu erhalten. Dies löst zwar erheblichen Ressourcenbedarf aus, die notwendigeInformation steht jedoch danach mit Sicherheit zur Verfügung.Die erheblichen Kosten externer Hilfestellung und die bei Befragung der Kollegenanfallende verlorene Arbeitszeit veranlassen die Bank, über die Investition in einWMS als weitere Alternative der Hilfestellung nachzudenken. Da die Externalisierungvon Wissen jedoch Aufbau- und Eingliederungskosten verursacht, ist der Einsatz

شبکه عصبی مصنوعیشبکه عصبی مصنوعی روش عملی برای یادگیری توابع گوناگون مانند توابع با مقادیر حقیقیبا مقادیر گسسته و توابع با مقادیر برداری می باشند برای تمیز شبکه عصبی از روش های آماریمرسوم ، چیزی که گفته نشده است به اندازه متن واقعی تعریف مهم می باشد.برای مثال،مدلمرسوم رگرسیون خطی می تواند با روش حداقل مربعات اطالعات را جمع آوری کرده و آنها را به صورتضریب رگرسیون ذخیره کند از این منظر این روش یک شبکه عصبی است در واقع ، می توان اینطور استدالل کرد که رگرسیون خطی یک حالت خاص از شبکه های عصبی مشخص است با اینتفاوت که رگرسیون خطی دارای یک ساختار مدل نامنعطف و مجموعه فرضیاتی است که قبل ازیادگیری اطالعات اعمال می شوددو نوع از شبکه های عصبی پرکاربرد در علوم مهندسی شبکه عصبی پرسپترون چند الیه وتابع شعاع مدار)‏ می باشند با توجه به این که در این پروژه از شبکه عصبی پرسپترونجهت دسترسی به نتایج مطلوب استفاده شده این شبکه با تفصیل بیشتری توضیح داده شده استکه در زیر به دو شبکه عصبی اشاره شده استشبکه پرسپتروننوعی از شبکه عصبی بر مبنای یک واحد محاسباتی به نام پرسپترون ساخته می شود یکپرسپترون برداری از ورودی هایی با مقادیر حقیقی را گرفته و یک ترکیب خطی از این ورودی ها رامحاسبه می کند اگر حاصل از یک مقدار آستانه بیشتر شود خروجی پرسپترون برابر با و در اینصورت معدل .- خواهد بود.‏با توجه به اینکه با استفاده از روش های ریاضی در میدان مورد مطالعه بین مقادیر الگ های سونیک ،مقاومت ویژه ، گاما ، نوترون ، هدایت الکتریکی ، چگالی و همچنین مقادیر تخلخل و اشباع آب محاسبهشده از الگ ها و شاخص منطقه جریانی ) FZI ( محاسبه شده از داده های مغزه ارتباطی برقرارنگردید به همین علت از شبکه عصبی مصنوعی استفاده شد در ابتدای کار به جهت ارایه مدلی بااستفاده از شبکه عصبی مصنوعی از پرسپترون چند الیه برای ساخت یک مدل پیش بینی که در آنیک متغیر وابسته ‏)هدف(‏ که در این مطالعه شاخص منطقه جریانی ) FZI ( و تراوایی می باشندپرداخته می شود.‏FZI محاسبه شده از مغزه را در مقابل مقادیر پیش بینی شده آن با توجه به مدل شبکه نشان می، توابع).( MLP (..=0.99(...:]4[ ..]4[)]4[7.) RBF..،FZI8دهد همان طور که در شکل مشخص شده مقدار بسیار خوبی از ضریب همبستگیبدست آمده استشکل محاسبه شده از مغزه را در مقابل مقادیر پیش بینی شده آن برای سنگ کربنات ها باتوجه به مدل شبکه نشان می دهد همان طور که در شکل مشخص شده مقدار بسیار خوبی از.9=0. 985)بدست آمده استضریب همبستگیدر مرحله بعد به منظور دستیابی به مدلی با استفاده از شبکه عصبی مصنوعی که ارتباطی بینتراوایی بدست آمده از مغزه و مقادیر الگ ها را برقرار کند به این صورت که بدون تقسیم بندی تودهمخزن به واحدهای هیدرولیکی تنها با استفاده از تراوایی و مقادیر الگ ها ابتدا مقادیر تراوایی بدستآمده از مغزه سنگ کربنات ها و مقادیر الگ های گاما ، اشباع آب محاسبه شده از الگ ها ، تخلخلمحاسبه شده از الگ ها ، چگالی ، هدایت الکتریکی ، الگ های نوترون ، مقاومت ویژه و سونیک را بهنرم افزار داده که نتایج مدل شبکه درشکل مقادیر تراوایی محاسبه شده از مغزه را در مقابل=3....10را نشانمقادیر پیش بینی شده را برای سنگ کربناته با ضریب همبستگی بسیار خوبیمی دهد.‏همچنین مقادیر تراوایی بدست آمده از مغزه سنگ ماسه ای و مقادیر الگ هارا به نرم افزار داده شدهاند و نتایج مدل شبکه در شکل مقادیر تراوایی محاسبه شده از مغزه را در مقابل مقادیر پیش بینیشده را برای سنگ ماسه ای با ضریب همبستگی=3..05نشان می دهد.‏