محمد جعفر محمدزاده؛ حمید آقابابایی؛ آینور ناصری
چکیده
مقدار کربن آلی کل (Total Organic Carbon) موجود در سنگ منشأ هیدروکربن یکی از پارامترهای حائز اهمیت در ارزیابی آن است. این پارامتر نه تنها در مطالعات ژئوشیمیایی هیدروکربن مورد استفاده قرار میگیرد، بلکه در بررسی میزان گسترش سنگ منشأ نیز نقش بسزایی دارد به گونهای که با افزایش TOC، احتمال حضور سنگ منشأ افزایش مییابد وکاهش آن ...
بیشتر
مقدار کربن آلی کل (Total Organic Carbon) موجود در سنگ منشأ هیدروکربن یکی از پارامترهای حائز اهمیت در ارزیابی آن است. این پارامتر نه تنها در مطالعات ژئوشیمیایی هیدروکربن مورد استفاده قرار میگیرد، بلکه در بررسی میزان گسترش سنگ منشأ نیز نقش بسزایی دارد به گونهای که با افزایش TOC، احتمال حضور سنگ منشأ افزایش مییابد وکاهش آن بیانگر عدم گستردگی سنگ منشأ در یک ژرفای معلوم است. بنابراین وجود روشی که بتواند به برآورد هر چه بهتر آن کمک کند، لازم است. شبکههای عصبی مصنوعی یکی از روشهای عددی حل مسئله است که با الگو برداری از عملکرد شبکههای عصبی زیستشناختی به تحلیل مسائل پرداخته و اقدام به برآورد، ردهبندی و ... میکند. این مقاله با هدف معرفی ساختار و چگونگی عملکرد شبکههای عصبی، اقدام به برآورد مقدار مواد آلی کل موجود در سنگ منشأ هیدروکربن در میدان نفتی بینک با استفاده از اطلاعات چاهپیمایی میکند. نتایج حاصل، بیانگر این مطلب است که شبکه پرسپترون چند لایه( Multi-Layer Perceptron ) بهترین شبکهای بود که برای برآورد استفاده شد که دارای یک لایه میانی با 6 گره ونوع الگوریتم آموزشی پس انتشار مومنتم باتابع تحریک تانژانتی بود. پس از آموزش شبکه، مقدار خطای برآورد 0013/0 حاصل شد. پس ازآن، دادههای آموزشی و غیر آموزشی آزموده شدند و در نهایت مقایسة بین مقادیرTOC واقعی و برآورد انجام گردید که نتیجة مطلوب حاصل شد. در پایان، تحلیل حساسیت روی پارامترهای مؤثر در بر آورد انجام گردید و بر اساس آن، پارامتر تخلخل نوترونی (NPHI) به عنوان موثرترین و حساسترین پارامتر و DT به عنوان پارامتری با کمترین حساسیت مؤثر در برآورد شناخته شدند.