شماره ركورد كنفرانس :
5115
عنوان مقاله :
استفاده از روش‌هاي يادگيري ماشين براي پيش‌بيني تراوايي سنگ ديجيتال
پديدآورندگان :
نجفي آرمان armannajafi@aut.ac.ir دانشكده مهندسي نفت،دانشگاه صنعتي اميركبير،تهران،ايران , سياوشي جواد m_sharifi@aut.ac.ir دانشكده مهندسي نفت،دانشگاه صنعتي اميركبير،تهران،ايران , شريفي محمد دانشكده مهندسي نفت،دانشگاه صنعتي اميركبير،تهران،ايران
كليدواژه :
مدل‌سازي مقياس حفره# توموگرافي رايانه‌اي#فيزيك سنگ ديجيتال#شبكه عصبي پيچشي#نمونه‌كاهي# تراوايي#
عنوان كنفرانس :
هفدهمين كنگره ملي مهندسي شيمي ايران
چكيده فارسي :
مدل‌سازي مقياس حفره با استفاده از تصاوير توموگرافي رايانه‌اي اشعه ايكس يا به عبارتي فيزيك سنگ ديجيتال، به روشي قابل اعتماد براي پيش‌بيني خصوصيات پتروفيزيكي سنگ‌ها تبديل شده است. به منظور پيش‌بيني تراوايي به طور معمول از روش‌هاي شبيه‌سازي عددي مستقيم استفاده مي‌شود. اين روش‌ها براي تعداد نمونه‌هاي فراوان و يا نمونه با ابعاد بزرگ هزينه محاسباتي زيادي در پي خواهند داشت. در اين پژوهش، روشي مبتني بر استفاده از شبكه‌هاي عصبي پيچشي براي پيش‌بيني تراوايي ارائه شده است. در اين روش ابتدا زيرنمونه‌هايي از يك مدل سه‌بعدي ماسه‌سنگ استخراج شده و تراوايي آنها محاسبه شده است. سپس وضوح زيرنمونه‌هاي استخراج شده با استفاده از روش نمونه‌كاهي كاهش يافته و به همراه تراوايي‌هاي متناظر خود، براي آموزش شبكه عصبي استفاده شده‌اند. براي ارزيابي عملكرد شبكه عصبي پيچشي آموزش يافته ، تراوايي تعدادي زيرنمونه كه شبكه عصبي پيچشي آنها را نديده است، پيش‌بيني شده و با مقادير به دست آمده از شبيه‌سازي مقياس حفره مقايسه و ارزيابي شده‌اند. نتايج حاصل از ارزيابي شبكه عصبي پيچشي، عملكرد مناسب آن را با مقدار R2 برابر با 99/0 نشان مي‌دهد و از طرفي زمان محاسبات براي زيرنمونه‌هاي ديده نشده نسبت به شبيه‌سازي عددي مستقيم ۱۲۰ برابر كاهش يافته‌است.
