امیرحسین پاشا؛ علی سربی؛ سعید بهزادی
چکیده
حرکات دامنهای و بهطور خاص زمینلغزشها از جمله مخاطرات طبیعی هستند که تا حد زیادی رخداد، کنترل یا پیشگیری از آنها در اختیار بشر است. پر واضح است که دخالتهای انسان در طبیعت بدون در نظر گرفتن شرایط پایداری و تعادل طبیعی آن، سبب بروز واکنشهای فیزیکی از سوی این محیط برای بازگشت به حالت تعادلی و پایدار میشود. خسارتهای ناشی از ...
بیشتر
حرکات دامنهای و بهطور خاص زمینلغزشها از جمله مخاطرات طبیعی هستند که تا حد زیادی رخداد، کنترل یا پیشگیری از آنها در اختیار بشر است. پر واضح است که دخالتهای انسان در طبیعت بدون در نظر گرفتن شرایط پایداری و تعادل طبیعی آن، سبب بروز واکنشهای فیزیکی از سوی این محیط برای بازگشت به حالت تعادلی و پایدار میشود. خسارتهای ناشی از رخداد زمینلغزشها که در دهههای اخیر روند رو به رشدی داشته؛ بشر را وادار به یافتن راهکارهای مناسب برای کاهش و کنترل این پدیده کرده است. پهنهبندی مناطق حساس به لغزش از جمله پرکاربردترین روشها برای دوری جستن از مناطق دارای خطر یا اعمال روشهای کنترلی در مناطق پرخطر است. این پژوهش برای پهنهبندی حساسیت زمینلغزش در منطقه چهارگوش قزوین-رشت از شبکه عصبی مصنوعی استفاده میکند. منطقه مورد بررسی به لحاظ شرایط توپوگرافی، اقلیمی و زمینشناسی، یکی از مستعدترین مناطق برای رخداد زمینلغزشهاست؛ چنان که تاریخچه منطقه 338 زمینلغزش ثبت شده را نشان میدهد. 15 متغیر که بهطور متناوب در دیگر پژوهشها بهعنوان متغیرهای مؤثر در رخداد زمینلغزشها مورد مطالعه قرار گرفتهاند؛ برای بررسی این منطقه انتخاب شد. با تلفیق این متغیرها و نقشه زمینلغزشهای موجود، مقادیر هر یک از این 15 متغیر برای نقاط لغزشی استخراج شد. در مرحله بعد تعدادی نقطه بهصورت تصادفی (1000 نقطه) از منطقه انتخاب و مقادیر این 15 متغیر نیز برای آنها استخراج شد. هر کدام از دو مجموعه داده به دودسته آموزش (70%) و امتحان (%30) تقسیم شد. هر کدام از دو دسته آموزشی و امتحان با یکدیگر ترکیب و از خروجی آنها برای آموزش و امتحان شبکه استفاده شد. تعداد لایههای داخلی شبکه عصبی با روش سعی و خطا و محاسبه مقدار خطای جذر میانگین مربعات (RMSE=0.4041) (9 لایه) تعیین شد. شبکه عصبی ساخته شده از نوع شبکه پیشخور با الگوریتم پسانتشار خطا و الگوریتم آموزشی آن از نوع الگوریتم آموزشی پس انتشار لونبرگ-مارکوارت است. پس از آموزش و امتحان شبکه و انجام تصحیحات لازم روی آن، از این شبکه عصبی ساخته شده برای پیشبینی حساسیت زمینلغزش در منطقه مورد مطالعه استفاده شد. نتایج حاصل از پیشبینی در بازه میان 0 تا 1 قرار داده شد و با انتخاب یک حد آستانه بهترین نقشه پهنهبندی حساسیت زمینلغزش به دست آمد. ارزیابی پایانی نقشه پهنهبندی حساسیت زمینلغزش در منطقه چهارگوش قزوین- رشت، خطایی در حدود (RMSE=0.4164) نشان میدهد و شبکه عصبی ساخته شده از 338 زمینلغزش رخ داده در منطقه، 298 مورد را در پهنه پرخطر و کاملاً پرخطر شناسایی میکند که نشان از دقت 1/88 % آن دارد.
سیروس قلیپور؛ علی کدخدایی؛ محمد مکیپور؛ امیررضا ابدی چالکسرایی
چکیده
محتوای کربن آلی کل یکی از متغیرهای مهم برای ارزیابی ژئوشیمیایی لایههای تولید کننده نفت و گاز است. در این مطالعه طی سه مرحله، محتوای کربن در سازندهای هیدروکربندار با استفاده از دادههای نگار ارزیابی شد. در مرحله اول با استفاده از شبکه عصبی مصنوعی محتوای کربن آلی به دست آمد، در مرحله دوم با کمک روش محاسباتی LogR∆ محتوای کربن آلی ...
بیشتر
محتوای کربن آلی کل یکی از متغیرهای مهم برای ارزیابی ژئوشیمیایی لایههای تولید کننده نفت و گاز است. در این مطالعه طی سه مرحله، محتوای کربن در سازندهای هیدروکربندار با استفاده از دادههای نگار ارزیابی شد. در مرحله اول با استفاده از شبکه عصبی مصنوعی محتوای کربن آلی به دست آمد، در مرحله دوم با کمک روش محاسباتی LogR∆ محتوای کربن آلی مورد ارزیابی قرار گرفت و در مرحله آخر دادههای نگارهای چاهپیمایی به مجموعهای از الکتروفاسیسها تقسیمبندی شد که به این منظور از بهترین روش آنالیز خوشهای، یعنی روش MRGCبهره گرفته شد. این روش بر پایه آزمونهای ارزیابی خوشهای بهترین روش برای خوشهبندی دادههای پتروفیزیک در الکتروفاسیسهای معین است. آنالیز خوشهای یک بار برای دادههای TOC حاصل از شبکه عصبی و یک بار برای دادههای TOC حاصل از روش LogR∆ صورت گرفت. نتایج نشان داد که سامانههای هوشمند نسبت به روشهای قدیمی مبتنی بر روش LogR∆ مناسبترند و دقت بالاتری دارند. روش ارائه شده همراه با مثال موردی از میدان نفتی آزادگان ارائه شده است.
طاهره آذری؛ نوذر سامانی
چکیده
در سالهای اخیر، شبکههای عصبی مصنوعی (Artificial Neural Networks - ANNs) بهعنوان جایگزین روشهای انطباق منحنیتیپ (Type curve matching techniques) برای تعیین متغیرهای آبخوان استفاده میشوند. در این پژوهش دو شبکه عصبی مصنوعی از نوع پرسپترون چندلایه (Multilayer Perceptron Network - MLPN) برای تعیین متغیرهای آبخوان محبوس نشتی (leaky confined aquifer) طراحی شده است. نشت آب به آبخوان یا ...
بیشتر
در سالهای اخیر، شبکههای عصبی مصنوعی (Artificial Neural Networks - ANNs) بهعنوان جایگزین روشهای انطباق منحنیتیپ (Type curve matching techniques) برای تعیین متغیرهای آبخوان استفاده میشوند. در این پژوهش دو شبکه عصبی مصنوعی از نوع پرسپترون چندلایه (Multilayer Perceptron Network - MLPN) برای تعیین متغیرهای آبخوان محبوس نشتی (leaky confined aquifer) طراحی شده است. نشت آب به آبخوان یا از لایه نیمهتراوا و یا ازآب ذخیره شده در لایه نیمهتراوا منشأ میگیرد. توابع چاه (well functions) مربوط به آبخوانهای نشتی با این دو سازوکار نشت از لایه نیمهتراوا به این دو شبکه آموزش داده شده است. با اعمال روش تجزیه مؤلفه اصلی (Principal Component Analysis - PCA) بر مجموعه دادههای آموزش، توپولوژی هر دو شبکه کاهش و بازدهی آنها بهطور قابل ملاحظهای افزایش داده شد. بر خلاف شبکههای موجود، توپولوژی شبکههای طراحی شده به شمار دادههای افت- زمان آزمون پمپاژ وابسته نیست و ساختار آن به ترتیب با 2، 10 و 2 نورون در لایههای ورودی، پنهان و خروجی (2×10×2) ثابت است. شبکهها با دریافت دادههای آزمون پمپاژ، مختصات نقطه انطباق (match point coordinates) را تولید میکنند. مختصات نقطه انطباق با حلهای تحلیلی Hantush & Jacob (1955) و Hantush (1960) ترکیب میشود و مقادیر متغیرهای آبخوان به دست میآید. عملکرد دو شبکه با دادههای سه آزمون پمپاژ واقعی ارزیابی و دقت آنها با روشهای انطباق منحنی تیپ مقایسه شده است. شبکههای پیشنهادی به عنوان یک روش جایگزین دقیقتر نسبت به شبکه عصبی مصنوعی پیشین و انطباق منحنی تیپ برای محاسبه متغیرهای آبخوان نشتی توصیه میشود.
محمد امین دزفولیان
چکیده
پیشیبینی سنگشناسی، مرحلهای اساسی در مهندسی نفت و ارزیابی سازند است. تحقیقی که در اینجا عرضه میشود، نوعی مدلسازی شبکههای عصبی مصنوعی، به منظور استفاده از نگارهای چاه برای برآورد سنگشناسی در یکی از مخازن میدان پارس جنوبی است. در این تحقیق از دو شبکه با روش پس انتشار خطا ((back propagation error; BP سه لایه و الگوریتم آموزش لونبرگ- ...
بیشتر
پیشیبینی سنگشناسی، مرحلهای اساسی در مهندسی نفت و ارزیابی سازند است. تحقیقی که در اینجا عرضه میشود، نوعی مدلسازی شبکههای عصبی مصنوعی، به منظور استفاده از نگارهای چاه برای برآورد سنگشناسی در یکی از مخازن میدان پارس جنوبی است. در این تحقیق از دو شبکه با روش پس انتشار خطا ((back propagation error; BP سه لایه و الگوریتم آموزش لونبرگ- مارکوآرت، برای برآورد سنگشناسی، استفاده شده است. شبکه در حالت اول، نگارهای پرتو گاما، نوترون، چگالی و اثرفتوالکتریک (PEF) را به صورت ورودی به کار میبرد، حال آنکه در شبکه دوم نگار صوتی مربوط به این دادهها نیز به ورودیها اضافه و نتایج در دو حالت مقایسه شدهاند. با توجه به هزینههای بالای مغزهگیری از این روش میتوان هزینههای مغزهگیری را کاهش داد. در این مقاله، از دادههای مربوط به چهار چاه در میدان پارس جنوبی استفاده شده است، به این صورت که شبکه، ابتدا در یکی از چاههای مخزن (چاه C) که دارای تحلیل مغزه بود، آموزش داده شد و در چاه دیگر (چاه D) که دادههای آن در آموزش شبکه سهمی نداشت، آزمایش شد و پس از اطمینان از کارآیی آن، شبکه برای برآورد سنگشناسی در دو چاه دیگر (چاه A وB) استفاده شد. سنگهای بخش بررسی شده عبارتند از: دولومیت، سنگآهک، سنگآهک دولومیتی، دولومیت آهکی، انیدریت، شیل، سنگآهک شیلی و دولومیت شیلی. در حالت اول مقدار میانگین مربعات خطا (mean square error; MSE) برای چاه A برابر 081/0و برای چاه B برابر094/ به دست آمد، در صورتی که در حالت دوم و اضافه شدن نگار صوتی به دیگر ورودیها مقدار میانگین مربعات خطا برای چاه A برابر051/0 و برای چاه B برابر 063/0 شده است. بر اساس این مقایسه، مشخص شد که دقت مدل در حالت دوم بهبود قابل توجهی یافته و نگار صوتی توانسته است سنگشناسی برآورد شده را به مقدار واقعی نزدیکتر کند.
ابوالقاسم کامکار روحانی؛ محمود ذاکری
چکیده
برای به دست آوردن نتایج دقیقتر از به کارگیری روش شبکههای عصبی مصنوعی، به جای انتخاب نتایج بهترین شبکه حاصل از فرایند سعی و خطا، نتایج چندین شبکه به روشی مناسب با هم ترکیب شده است تا شاید سامانه چندشبکهای حاصل، که از آن با عنوان ماشین کمیتهای تعبیر میشود، خطا را کاهش و درنتیجه، دقت را افزایش دهد. در این پژوهش، برای برآورد ...
بیشتر
برای به دست آوردن نتایج دقیقتر از به کارگیری روش شبکههای عصبی مصنوعی، به جای انتخاب نتایج بهترین شبکه حاصل از فرایند سعی و خطا، نتایج چندین شبکه به روشی مناسب با هم ترکیب شده است تا شاید سامانه چندشبکهای حاصل، که از آن با عنوان ماشین کمیتهای تعبیر میشود، خطا را کاهش و درنتیجه، دقت را افزایش دهد. در این پژوهش، برای برآورد تخلخل مؤثر سنگ مخزن گازی کنگان در میدان عظیم هیدروکربنی پارس جنوبی، از ترکیب آنسامبلی شبکههای عصبی مصنوعی که نوعی ماشین کمیتهای با ساختار موازی است، استفاده شده است. به این منظور، دادههای نگارهای صوتی، چگالی، پرتو گاما و تخلخل نوترونی به عنوان ورودی شبکهها و تخلخل مؤثر به عنوان خروجی شبکهها از 4 چاه این میدان در بازۀ عمقی سازند کنگان انتخاب شدند. شبکههای عصبی پسانتشار خطا با ساختارهای متفاوت به روش مرتبسازی آموزش داده شد و توان تعمیم آنها ارزیابی شد. آنگاه شبکههایی که بهترین نتایج، یعنی کمترین میانگین مربعات خطای برآورد در مرحله آزمون را داشتند، برای ساخت ترکیبهای آنسامبلی انتخاب شدند. برای تعیین ضرایب شبکههای جزء ترکیبهای آنسامبلی خطی، سه روش میانگینگیری ساده، روش ترکیب خطی بهینه هاشم و روش غیرتحلیلی ترکیب خطی بهینه با استفاده از الگوریتم ژنتیک به کار برده شده و نتایج آنها با هم مقایسه شد. از مقایسه نتایج ترکیبها با بهترین شبکه عصبی مصنوعی منفرد حاصل، مشخص شد که بهترین ترکیب آنسامبلی حاصل، ترکیبی چهارشبکهای است که ضرایب شبکههای جزءِ آن با استفاده از الگوریتم ژنتیک تعیین شده است. این ترکیب توانسته میانگین مربعات خطای برآورد الگوهای آموزش و آزمون را به ترتیب 6/3 درصد و 2/11 درصد نسبت به بهترین شبکه عصبی منفرد کاهش دهد.
علی مرادزاده؛ فاطمه طهماسبی؛ محمد مهدی فاتح
چکیده
روش مگنتوتلوریک یکی از روشهای الکترومغناطیس با چشمه طبیعی است که برای کسب اطلاعات الکتریکی از ساختارهای زیرزمینی استفاده میشود. کاربرد این روش، بیشتر برای اکتشاف منابع زمینگرمایی، نفت و ذخایر معدنی است. با توجه به اینکه دادههای اندازهگیری شده در روش مذکور حجیم و دارای ساختاری پیچیده هستند، از این رو مدلسازی وارون دادههای ...
بیشتر
روش مگنتوتلوریک یکی از روشهای الکترومغناطیس با چشمه طبیعی است که برای کسب اطلاعات الکتریکی از ساختارهای زیرزمینی استفاده میشود. کاربرد این روش، بیشتر برای اکتشاف منابع زمینگرمایی، نفت و ذخایر معدنی است. با توجه به اینکه دادههای اندازهگیری شده در روش مذکور حجیم و دارای ساختاری پیچیده هستند، از این رو مدلسازی وارون دادههای حاصل نسبت به دیگر روشهای الکتریکی مشکلتر و در بعضی از موارد ناممکن است. هدف این مقاله، بر این است که قابلیتهای شبکههای عصبی مصنوعی برای مدلسازی وارون ترکیبی دادههای فاز و مقاومت ویژه دو مد قطبش این روش مورد بررسی قرار گیرد. به منظور نیل به این هدف از شبکة پرسپترون چند لایه با قانون فراگیری پس انتشار خطا استفاده شد. برای آموزش و طراحی شبکه مناسب، چندین مدل مصنــــــوعی در گروه مورد نظر ساخته شــــــد و سپس با مدلسازی مستقیـــــم دادههای مقـــــاومت ویژه و فاز آنها برای دو مــــــد قطبش الکتریکی عرضی : Transverse Electric) TE) و مغناطیس عرضی: Transverse Magnetic) TM) در چندین بسامد تولید شد. پس از بررسیهای جامع، یک شبکة پرسپترون سه لایه با ساختار 9-9-396 طراحی شد و از آن برای مدلسازی دو بعدی استفاده شد. بررسی نتایج به دست آمده نشان میدهد که شبکه طراحی شده از دقت قابل قبولی برای مدلسازی دادههای مگنتوتلوریک برخوردار است، به گونهای که برای یکی از مدلهای آزمایشی، مقدار میانگین خطای نسبی در نبــــــــود نوفه (Noise) 9/3 درصد و در حضور 5 درصد نوفه 9/6 درصد است، که این امر حاکی از دقت خوب شبکه در برآورد پارامترهای مدل زیرزمینی است. همچنین نتایج مدلسازی شبکه برای یک مجموعه دادههای صحرایی و مقایسة آن با نتایج یکی دیگر از روشهای معمول مدلسازی وارون نشان میدهد که مدلها و پارامترهای به دست آمده توسط دو روش فوق، از شباهت و همخوانی خوبی برخوردار هستند که این مطلب گویای توانمندی شبکه طراحی شده برای مدلسازی دادههای مورد نظر است.