اخبار و اعلانات
آمار
| تعداد نشریات | 20 |
| تعداد شماره‌ها | 406 |
| تعداد مقالات | 3,323 |
| تعداد مشاهده مقاله | 4,804,383 |
| تعداد دریافت فایل اصل مقاله | 3,247,735 |
تخمین مدول یانگ با نگارهای پتروفیزیکی و الگوریتم های یادگیری عمیق در یکی از میادین هیدروکربنی ایران | ||
| نشریه مهندسی منابع معدنی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 29 مرداد 1404 | ||
| نوع مقاله: علمی-پژوهشی | ||
| شناسه دیجیتال (DOI): 10.30479/jmre.2025.20402.1693 | ||
| نویسندگان | ||
| فرهاد ملائی1؛ علی مرادزاده* 2؛ رضا محبیان3 | ||
| 1دانشجوی دکترای مهندسی نفت، دانشکده مهندسی معدن، دانشکدگان فنی، دانشگاه تهران، تهران | ||
| 2استاد دانشکده مهندسی معدن، دانشکدگان فنی، دانشگاه تهران، تهران | ||
| 3استادیار دانشکده مهندسی معدن، دانشکدگان فنی، دانشگاه تهران، تهران | ||
| تاریخ دریافت: 31 اردیبهشت 1403، تاریخ بازنگری: 16 دی 1403، تاریخ پذیرش: 23 بهمن 1403 | ||
| چکیده | ||
| مدول یانگ یکی از پارامترهای مهم در مدل‌سازی ژئومکانیکی و یکی از پیش نیازهای اساسی برای تحلیل پایداری دیواره چاه در طول مسیر حفاری چاه های نفت و گازی می باشد. برای تعیین مدول یانگ مدل‌های تجربی زیادی معرفی شده‌اند که هر کدام از آنها مختص منطقه‌ای خاص هستند. یکی از روش‌هایی که اخیرا زیاد مورد استفاده قرار می‌گیرد روش‌های هوشمند است. در این مطالعه سعی شده است تا مدول یانگ دینامیک با استفاده از الگوریتم‌های یادگیری عمیق در یکی از چاه‌های مخازن هیدروکربنی جنوب غرب ایران پیش‌بینی شود. جهت استفاده از الگوریتم‌های یادگیری عمیق ویژگی‌های موثر جهت تخمین مدول یانگ برای ورودی الگوریتم‌ها با تعیین ضریب همبستگی پیرسون مشخص شدند. در ادامه با استفاده از شبکه‌های ترکیبی CNN+LSTM, LSTM+MLP مدول یانگ تخمین زده شد و مقدار ضریب تعیین برای این الگوریتم‌ها برای داده‌های آموزش و تست نزدیک به 1 و خطای پیش‌بینی هر دو الگوریتم بسیار کم به دست آمده است. همچنین برای اطمینان از نتایج الگوریتم‌ها بخشی از داده به عنوان داده شاهد کنار گذاشته شد و خطا و ضریب تعیین برای آن محاسبه گردید که مقادیر خطا (MSE) برای شبکه‌های ترکیبی CNN+LSTM و LSTM+MLP به ترتیب برابر 99/25 و 51/30 و مقادیر ضریب تعیین (R2) آنها به ترتیب برابر 81/0 و 77/0 به دست آمده است. نتایج حاصل بیان کننده کارآیی الگوریتم‌های یادگیری عمیق معرفی شده در پیش‌بینی مدول یانگ می‌باشد ولی در مقایسه دو الگوریتم ارائه شده، الگوریتم CNN+LSTM دارای دقت بالاتر و خطای کمتری می-باشد. | ||
| کلیدواژه‌ها | ||
| مدول یانگ؛ داده های پتروفیزیکی؛ الگوریتم CNN+LSTM؛ الگوریتم LSTM+MLP؛ ارزیابی مدل | ||
| عنوان مقاله [English] | ||
| Estimation of Young's modulus using petrophysical logs and deep learning algorithms in one of Iran's hydrocarbon fields | ||
| نویسندگان [English] | ||
| Farhad Mollaei1؛ Ali Moradzadeh2؛ Reza Mohebian3 | ||
| 1PhD Student of Petroleum Engineering, School of Mining, College of Engineering, University of Tehran, Tehran, Iran | ||
| 2Professor, School of Mining, College of Engineering, University of Tehran, Tehran, Iran | ||
| 3Assistant Professor, School of Mining, College of Engineering, University of Tehran, Tehran, Iran | ||
| چکیده [English] | ||
| Young's modulus is one of the important parameters in geomechanical modeling. Calculation of this parameter is one of the basic prerequisites for analyzing the stability of the well wall during the drilling of oil and gas wells. Many experimental models have been introduced to determine Young's modulus. One of the recently used methods is intelligent methods. In this study, an attempt has been made to predict dynamic Young's modulus using deep learning algorithms in one of the hydrocarbon reservoir wells in southwest Iran. In order to use deep learning algorithms, it is first necessary to determine the effective features to estimate the Young's modulus as input of the algorithms. In this article, Pearson's correlation coefficient was used to select these features. In the following, Young's modulus was estimated using CNN+LSTM, LSTM+MLP hybrid networks, and their coefficient of determination (R2) values were determined close to 1 and the prediction error of both algorithms was very low for training and test data. Moreover, to ensure the results of the algorithms, a part of the data was set aside as blind data and the error and R2 values were calculated for it. The mean square error (MSE) of the LSTM+MLP and CNN+LSTM hybrid algorithms was equal to 30.51 and 25.99 and their R2 values were determined as 0.77 and 0.81 respectively. The results show the effectiveness of deep learning algorithms introduced in predicting Young's modulus, but CNN+LSTM algorithm has higher accuracy and less error. | ||
| کلیدواژه‌ها [English] | ||
| Young', s modulus, petrophysical data, CNN+LSTM algorithm, LSTM+MLP algorithm, model evaluation | ||
|
آمار تعداد مشاهده مقاله: 9 |
||