دانلود ترجمه مقاله برآورد نفوذپذیری از واکنش چاه پیمایی – مجله (SPE (Onepetro

گروه آموزشی ترجمه فا اقدام به ارائه ترجمه مقاله با موضوع ” برآورد نفوذپذیری از واکنش چاه پیمایی ” در قالب فایل ورد نموده است که شما عزیزان میتوانید پس از دانلود رایگان مقاله انگلیسی و نیز مطالعه نمونه ترجمه و سایر مشخصات، ترجمه را خریداری نمایید.

• فهرست مطالب:

خلاصه
مقدمه
شبکه های عصبی مصنوعی
تشریح مخزن
مدل شبکه ی عصبی
توضیح داده ها
گسترش پیشینِ معماری شبکه ی عصبی
آموزش شبکه
نتایج مدل تراوایی شبکه عصبی
نتایج

• بخشی از ترجمه:

نتایج
۱٫مدل ANN برای تخمین تراوایی عالی می باشد، زمان آموزش شبکه به همراه همه ۶ متغیر ورودی ((∅,GR,RHOB,DT,NPHI & ILD.
۲٫شبکه عصبی مصنوعی قادر به تخمین زدن تراوایی سازند با دقت بالا می باشد، به وسیله استفاده از داده های چاه پیمایی ژئوفیزیک، قابل مقایسه با اندازه گیری های واقعی مغزه.
۳٫نتایج مدل ANN ضرایب تصحیح دقیقی را به دنبال دارد (۰٫۹۹۶۹، ۰٫۹۸۹۷و ۰٫۹۸۲۰ به ترتیب برای چاه های A,B,C).
۴٫مدل توسعه یافته ی ANN ارتفاع را به عنوان پارامتر های ورودی حساب نمی کند، که بدین معنا است که برای هر میدانی کاربرد دارد..این مطالعه نشان می دهد که تخمین عصب از تراوایی مغزه به وسیله ی داده های چاه پیمایی تکنیکی امکان پذیر است.

• بخشی از مقاله انگلیسی:

Conclusions 1.

The ANN model for predicting permeability is perfect when training the network with all six input variables (φ, GR, RHOB, DT, NPHI, and ILD). 2. Artificial neural network is capable of estimating formation permeability with high accuracy, by use of a geophysical well-log data, comparable to that of actual core measurements. 3. The ANN model results yielded excellent correlation coefficients (0.9969, 0.9897, and 0.9820 for A, B, and C wells respectively). 4. The developed ANN model does not incorporate depth as part of input parameters which means that it is applicable to any field. 5. This study shows that neuro-estimation of formation permeability by use of well-log data is a highly feasible technique.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله