جلد 18، شماره 3 - ( پائیز 1403 )                   جلد 18 شماره 3 صفحات 364-341 | برگشت به فهرست نسخه ها

XML English Abstract Print

Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Mollaei F, Mohebian R, Moradzadeh A. Proposing a Deep Learning Algorithm for Estimating the Brittleness Index Using Conventional Log Data in the Asmari Formation of a Southwestern Iranian Oil Field. Journal of Engineering Geology 2024; 18 (3) :341-364
URL: http://jeg.khu.ac.ir/article-1-3127-fa.html
ملائی فرهاد، محبیان رضا، مرادزاده علی. ارائه یک الگوریتمی مبتنی بر یادگیری عمیق برای تخمین شاخص شکنندگی با استفاده از داده‌های لاگ‌های متداول در سازند آسماری یکی از میادین نفتی جنوب‌غرب ایران. نشریه زمین شناسی مهندسی. 1403; 18 (3) :341-364

URL: http://jeg.khu.ac.ir/article-1-3127-fa.html

ارائه یک الگوریتمی مبتنی بر یادگیری عمیق برای تخمین شاخص شکنندگی با استفاده از داده‌های لاگ‌های متداول در سازند آسماری یکی از میادین نفتی جنوب‌غرب ایران
فرهاد ملائی1 ، رضا محبیان 2، علی مرادزاده1
1- دانشگاه تهران
2- دانشگاه تهران ، mohebian@ut.ac.ir
چکیده:   (1674 مشاهده)
شاخص شکنندگی یکی از پارامترهای مهم در بررسی­ و مدل­سازی‌­های­ ژئومکانیکی است. روش‌­های زیادی برای تخمین شاخص شکنندگی ارائه شده است. یکی از روش­‌هایی که امروزه زیاد مورد استفاده قرار می‌­گیرد روش‌­های هوشمند است. در این مطالعه هدف ارائه الگوریتمی جدید با استفاده از الگوریتم‌­های یادگیری عمیق جهت پیش­بینی شاخص شکنندگی در یکی از چاه­‌های میدان هیدروکربنی در جنوب غرب ایران می‌­باشد. در این مقاله ابتدا پارامترهای موثر برای ورودی الگوریتم‌­ها با استفاده از ضریب همبستگی پیرسون مشخص گردید و در ادامه با استفاده از (شبکه عصبی بازگشتی + شبکه عصبی پرسپترون چندلایه) (LSTM+MLP) و (شبکه­ عصبی تبدیلی + شبکه عصبی بازگشتی) (CNN+ LSTM) شاخص شکنندگی تخمین زده شد و مقدار خطا (MSE) و ضریب تعیین  (R2) برای داده‌­های آموزش و تست محاسبه گردید که برای داده‌­های آموزش و تست هر دو الگوریتم دارای ضریب تعیین نزدیک به 1 و خطای بسیار کم به دست آمده است. همچنین جهت اطمینان از نتایج الگوریتم­ها بخشی از داده به عنوان داده کور کنار گذاشته شد و خطا و ضریب تعیین برای این داده­‌ها نیز محاسبه گردید که خطا (MSE CNN+LSTM =26.0425,  MSE LSTM+MLP =32.075) به دست آمده است  و  ضریب تعیین
( R2 CNN+LSTM  =0.8064,  R2 LSTM+MLP  =0.7615) به دست آمده است. نتایج بیانگر کارآیی الگوریتم‌­های یادگیری عمیق معرفی شده به عنوان روشی
جدید در پیش­بینی شاخص شکنندگی می‌­باشد که در مقایسه دو الگوریتم ارائه شده،الگوریتم  (CNN+LSTM) دارای دقت بالاتر و خطای کمتری می‌­باشد.

 
واژه‌های کلیدی: شاخص شکنندگی، داده‌های پتروفیزیکی، یادگیری عمیق، ارزیابی مدل
متن کامل [PDF 2800 kb]   (145 دریافت)    
نوع مطالعه: مقاله پژوهشی | موضوع مقاله: ژئوفیزیک مهندسی
دریافت: 1403/5/20 | پذیرش: 1403/8/15 | انتشار: 1403/9/25
ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA
بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به نشریه زمین شناسی مهندسی می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2025 CC BY-NC 4.0 | Journal of Engineering Geology

Designed & Developed by : Yektaweb