دانلود ترجمه مقاله تشخیص نوع منفذ کربنات با طبقه بندی کننده پارزن (ساینس دایرکت – الزویر ۲۰۱۶) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

این مقاله انگلیسی ISI در نشریه ساینس دایرکت (الزویر) در ۸ صفحه در سال ۲۰۱۶ منتشر شده و ترجمه آن ۲۰ صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

مشخصات مقاله انگلیسی (PDF)
سال انتشار	۲۰۱۶
تعداد صفحات مقاله انگلیسی	۸ صفحه با فرمت pdf
رشته های مرتبط با این مقاله	زمین شناسی
گرایش های مرتبط با این مقاله	سنگ شناسی و رسوب شناسی، زمین شناسی نفت
مجله	مجله علوم و مهندسی نفت – Journal of Petroleum Science and Engineering
دانشگاه	دانشکده مهندسی معدن، دانشکده مهندسی، دانشگاه تهران، ایران
کلمات کلیدی	فیزیک سنگ، عامل انعطاف پذیری فریم ، نمودار انحرف سرعت (VDL)، دسته بندی کننده پارزن، ایران
شناسه شاپا یا ISSN	ISSN ۰۹۲۰-۴۱۰۵
رفرنس	دارد
لینک مقاله در سایت مرجع	لینک این مقاله در نشریه Elsevier
نشریه الزویر

• فهرست مطالب:

چکیده
۱٫ مقدمه
۲٫ محیط زمین شناسی
۳٫ مجموعه داده ها
۴٫ روش
۴-۱ نمودار انحراف- سرعت
۴-۲ بردار ویژگی
۴-۲-۱ عامل (ضریب) خمش پذیری قاب
۴-۲-۲ رابطه سرعت- تخلخل
۴-۲-۳ رابطه تخلخل- امپدانس
۴-۳ دسته بندی کننده پارزن
۵٫ بحث و نتایج
۵-۱ کاربرد تشخیص فیزیک سنگ در سازند سروک
۵-۲ توصیف مشخصات نوع منفذ با استفاده از نمودار انحراف- سرعت
۵-۳ نتیجه طبقه بندی
۶٫ نتیجه گیری
پیوست الف. نمودار انحراف- سرعت (VDL)
فهرست واژه ها

• بخشی از ترجمه:

۵-۳ نتیجه طبقه بندی
طبقه بندی کننده پارزن با مجموعه¬ای از ویژگی های منتخب برای مجموعه داده های مربوط به سه چاه سازند سروک اعمال شده است و انواع منافذ تعیین شده بطور جداگانه در هر چاه شناسایی شده اند. برای هر چاه منحصربفرد، طبقه بندی کننده در برابر ۷۰ درصد از نقاط داده هایی که بطور تصادفی انتخاب شده اند مورد آموزش قرار می گیرند و دقت آن در شناسایی رده های موردنظر بوسیله¬ی ۳۰ درصد از نقاط باقیمانده آزموده می شود. از ماتریس در هم ریختگی برای نشان دادن نتایج فرایند طبقه بندی استفاده می شود. برای تعیین کارایی طبقه بندی کننده، میزان صحت طبقه بندی (CCR) با تقسیم اثر ماتریس درهم ریختگی بر تعداد طبقات محاسبه می شود.
اندازه پنجره مربوط به طبقه بندی کننده پارزن (یعنی، h) از طریق اندازه گیری CCR برای مقادیر مختلف h بهینه سازی می شود. مقدار بهینه h مقداری است که بیشترین CCR را بوجود می آورد. شکل ۱۰ طرح CCR را دربرابر h در چاه شماره ۱ نشان می دهد. همانطور که در شکل مشاهده می شود، ۰٫۰۲ مقدار بهینه h است که اثر ماتریس درهم ریختگی را به ۲٫۲۶ بیشینه می سازد.

• بخشی از مقاله انگلیسی:

۵٫۳٫ Classification result

The Parzen classifier with the selected feature set has been applied to available dataset related to three wells of the Sarvak Formation and defined pore types are identified in each well separately. For each individual well, the classifier is trained against 70% of the randomly selected data points and its accuracy in identifying desired classes is tested by the remaining 30%. Confusion matrix is used to show the results of classification process. To determine the efficiency of the classifier, Classification Correctness Rate (CCR) is computed by dividing the trace of confusion matrix by number of classes. The window size related to the Parzen classifier (i.e. h) is optimized through measuring the CCR for different h values. The optimum h value is the one that generates the highest CCR. Fig. 10 shows the plot of the CCR versus h in well No.1. As it can be seen in the figure, 0.02 is optimum h value which maximizes the confusion matrix trace to 2.26.

دانلود رایگان مقاله انگلیسی          خرید ترجمه فارسی مقاله