Sharif Digital Repository / Sharif University of Technology
    • [Zoom In]
    • [Zoom Out]
  • Page 
     of  0
  • [Previous Page]
  • [Next Page]
  • [Fullscreen view]
  • [Close]
 
مدل‌ سازی داده های سهم جریان سیالات ورودی از لایه های مختلف مخزن ناهمگن با استفاده از الگوریتم شبکه‌ های عصبی یادگیری عمیق
صالحی، علی Salehi, Ali

Cataloging brief

مدل‌ سازی داده های سهم جریان سیالات ورودی از لایه های مختلف مخزن ناهمگن با استفاده از الگوریتم شبکه‌ های عصبی یادگیری عمیق
پدیدآور اصلی :   صالحی، علی Salehi, Ali
ناشر :   صنعتی شریف
سال انتشار  :   1403
موضوع ها :   ابزار نمودارگیری تولید Production Logging Tools (PLT) مدل‌سازی جریان دو فاز Two-Phase...
شماره راهنما :   ‭06-57523

Find in content

sort by

Bookmark

  • 1 مقدمه (17)
    • 1- 1 کلیات (17)
    • 1- 2 کاربردهای لاگ تولید (18)
    • 1- 3 شرایط انجام عملیات لاگ گیری تولید (19)
      • 1- 3- 1 چاه جدید (19)
      • 1- 3- 2 چاه ناپایدار (20)
      • 1- 3- 3 تعیین مشکل (20)
      • 1- 3- 4 چاه های تزریقی (20)
    • 1- 4 زمان انجام عملیات لاگ گیری تولید (20)
    • 1- 5 اجزای تشکیل دهنده ابزارهای لاگ گیری تولید (21)
      • 1- 5- 1 اندازه گیری سرعت سیال (22)
      • 1- 5- 2 اندازه گیری چگالی سیال (25)
      • 1- 5- 3 اندازه گیری پسماند سیال (29)
      • 1- 5- 4 اندازه گیری فشار (31)
      • 1- 5- 5 اندازه گیری دما (32)
    • 1- 6 روش‌های پیش بینی سهم جریانی سیالات در تست جریانی چاه (32)
      • 1- 6- 1 شبیه سازی با نرم افزار (32)
      • 1- 6- 2 الگویتم شبکه های عصبی یادگیری عمیق (33)
  • 2 پیشینه پژوهش (35)
    • 2- 1 روش شبیه سازی با نرم افزار (35)
    • 2- 2 روش الگویتم شبکه های عصبی یادگیری عمیق (39)
  • 3 تئوری (42)
    • 3- 1 روش شبیه سازی با نرم افزار (42)
      • 3- 1- 1 خلاصه الگوریتم نرم افزار Emeraude در تست جریانی چاه (42)
      • 3- 1- 2 کالیبراسیون دستگاه ظرفیت سنج سیال (51)
      • 3- 1- 3 کالیبراسیون دبی سنج و محاسبه سرعت ظاهری سیال (53)
      • 3- 1- 4 خواص سیال نفت (60)
      • 3- 1- 5 خواص سیال آب (63)
      • 3- 1- 6 خواص سیال گاز (66)
      • 3- 1- 7 جریان های دوفازی درون لوله ها (68)
      • 3- 1- 8 مدل جریان دوفازی عزیز و همکاران (72)
      • 3- 1- 9 شبیه سازی دمای سیال (76)
      • 3- 1- 10 روش بهینه سازی نلدرمید (85)
      • 3- 1- 11 الگوریتم اصلی تست جریانی چاه (90)
    • 3- 2 روش الگویتم شبکه های عصبی یادگیری عمیق (100)
      • 3- 2- 1 گام انتشار رو به جلو (102)
      • 3- 2- 2 گام انتشار رو به عقب (104)
      • 3- 2- 3 بهینه سازی در مدل شبکه عصبی (105)
      • 3- 2- 4 ورودی ها و خروجی های مدل شبکه عصبی برای تست جریانی چاه (106)
      • 3- 2- 5 پیش پردازش روی داده ها (110)
      • 3- 2- 6 معماری و مشخصات عصبی ساخته شده برای تفسیر تست جریانی چاه (112)
      • 3- 2- 7 توقف زودهنگام در ساخت مدل شبکه عصبی (113)
  • 4 موردهای مطالعاتی (115)
    • 4- 1 چاه شماره ۲۲۹ میدان مارون (115)
    • 4- 2 چاه شماره ۴۰ میدان پازنان (116)
    • 4- 3 چاه شماره ۶۵ میدان پازنان (117)
    • 4- 4 چاه شماره ۹۱ میدان پازنان (118)
    • 4- 5 چاه شماره ۹۸ میدان پازنان (119)
    • 4- 6 چاه شماره ۷ میدان قلعه نار (120)
    • 4- 7 چاه شماره ۸ میدان قلعه نار (121)
    • 4- 8 چاه شماره ۱۶ میدان رامشیر (122)
    • 4- 9 مورد مطالعاتی موجود در نرم افزار Emeraude (123)
    • 4- 10 نگاه کلی به همه موردهای مطالعاتی کنار یکدیگر (124)
  • 5 نتایج (126)
    • 5- 1 روش شبیه سازی با نرم افزار (126)
    • 5- 2 الگوریتم شبکه های عصبی یادگیری عمیق (129)
      • 5- 2- 1 دقت مدل شبکه عصبی برای داده های آموزشی (130)
      • 5- 2- 2 دقت مدل شبکه عصبی برای داده های آزمایشی (133)
  • 6 نتیجه گیری و پیشنهادات (138)
    • 6- 1 نتیجه گیری (138)
    • 6- 2 پیشنهادات (140)
  • 7 منابع (141)
Loading...