چکیده

امروزه بهره گیری از هوش مصنوعی برای افزایش دقت مطالعه و نزدیک بودن به واقعیت بسیار متداول است و در صنعت نفت برای افزایش دقت بررسی و شناخت رابطه میان پارامترهای گوناگون به کار می رود. هدف اصلی این پژوهش، مقایسه کارکرد دو روش ماشین یادگیری حدی (ELM) و شبکه عصبی شعاع مبنا (RBF) در مدل سازی ایستایی نفت، تخلخل می باشد. داده های 7 حلقه چاه میدان فراکرانه‌ای هندیجان واقع در کرانه شمال باختری خلیج فارس مورد بررسی قرارگرفت. در این راستا، با بهره گیری از نشانگرهای لرزه‌ای پس از برانبارش که رابطه معنی داری با تخلخل دارند، به تنظیم و مقایسه کارکرد شبکه‌های ELM و RBF در شرایط یکسان پرداخته شد. سرانجام آشکار شد که ELM کاملاً به مجموعه داده ها حساس است و برای تهیه نقشه (کمی) به نقاط داده بیشتری نیاز دارد، اما از نظر رده بندی (کیفی) از RBF بهتر است. از سوی دیگر، RBF یکی از تواناترین الگوریتم ها در نقشه برداری است، به ویژه در شمار کم داده که می‌تواند برای دیگران چالش برانگیز باشد.

کليدواژه ها

RBF، ELM، تخلخل، نشانگرهای لرزه‌ای، میدان فراکرانه‌ای

کد مقاله / لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است :

نحوه استناد به مقاله

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
فرشاد توفیقی , 1402 , مقایسه کارکرد مدل های ELM و RBF برای برآورد تخلخل سازند آسماری، در یکی از میدان های فراکرانه ای شمال باختری خلیج فارس , هفتمين همايش ملي انجمن رسوب شناسي ايران