کتاب زمین شناسی نفت
دانلودمکانیک سیالات دوفازی
دانلود درس شبیه سازی مخزن
یک جزوه توپ وخفن️ برای درس شبیه سازی مخزن
یک جزوه توپ وخفن️ برای درس شبیه سازی مخزن
جزوه دکتر خراط (دانشگاه صنعت نفت)
لینک دانلود
دانلود فایل آموزشی آشنایی با شیرهای فوران گیر
شیرهای فوران گیر یکی از تجهیزات کنترل کننده چاه می باشند و به منظور جلوگیری از فوران سیالات به بیرون چاه مورد استفاده قرار می گیرند این جزوه آموزشی شامل معرفی شیرهای فوران گیر و انواع آن ، مشخصات و شرایط استفاده و سایر مطالب مرتبط است
ارائه روش هوشمند در محاسبه پارامتر های ژئومکانیکی میادین نفتی توسط مهندس گندم گون
با سلام ،در ادمه به ارائه مقاله تخمین پارامترهای ژئومکانیکی یکی از میادین نفتی از روی نمودارهای پتروفیزیکی باکمک روش های هوشمندمیپردازیم .این مقاله به ارائه روش هوشمندی در محاسبه پارامتر ژئومکانیکی میپردازدکه درسال 2018در دانشگاه هامبورگ آلمان ارائه گردید.این مقاله که از الگوریتم هوشمند در بهره گیری از پارامتر های مهم ژئومکانیکی میپردازد ،توسط مهندس مهدی گندم گون،مهندس محمد حسین گندم گون،مهندس شادی محول به نگارش در آمده است ،که در ادامه چکیده ای از این مقاله مهم را خواهید خواند:
پروژه های مربوط به ساخت و ایجاد مدلهای ژئومکانیکی مربوط به چاه های اکتشافی و تولیدی در زمینه های گوناگون از لحاظ فنی و اقتصادی چالش برانگیز هستند. روشهای هوشمند یکی از روشهای جدید، کم هزینه و دقیقی هستند که میتوانند با بهره گیری از نگاره های پتروفیزیکی، پارامترهای ژئومکانیکی را در کمترین زمان ممکن تخمین بزنند. هدف این مقاله غلبه بر محدودیتهای تکنیکهای موجود با استفاده از تکنیکهای هوش مصنوعی مختلف است. داده هایی که در این مطالعه مورداستفاده قرار میگیرند از بررسی های چاه پیمایی معمولی تخلخل نوترونی، اشعه گاما و چگالی بالک و همچنین لاگ صوتی موجود هستند. مجموعه داده ها از 8 چاه در سازندهای کربناته و 24 نمونه مغزه برای ساخت یک مدل مناسب استفاده شد که میتواند پارامترهای شکست سنگ را از نمودارهای مربوط به چاه پیشبینی کند. سه تکنیک هوش مصنوعی، شبکه های عصبی مصنوعی (ANN)، سیستم استنتاج فازی - فازی (ANFIS) و ماشینهای بردار پشتیبان (SVM) برای پیشبینی سه پارامتر شکست ژئومکانیکی یعنی زاویه اصطکاک (FANG)، مقاومت فشاری محدودشده (UCS ) و مقاومت کششی (TSTR) استفاده شدند. برای هر پارامتر، سه تکنیک برای آموزش مدلهای AI اجرا شدند و سپس داده های دیگر برای اعتبارسنجی مدلها مورد استفاده قرار گرفت. از سه تکنیک هوش مصنوعی، مدل مربوط به شبکه های عصبی مصنوعی نتایج بسیار خوبی به همراه داشت و نتایج مورد استفاده در مورد مدلهای دیگری که با استفاده از روشهای سیستم استنتاج فازی – فازی و ماشینهای بردار پشتیبان انجام گرفت که با ضریب همبستگی 0,98 و AAPE در حدود 4,6 درصد به دست آمد، همچنین در این مقاله مدل شبکه ی عصبی مصنوعی به گونه ای برنامه ریزی شد که امکان استخراج موفقیت آمیز وزنها و بایاسهای شبکه به راحتی مورد استفاده قرار میگرفت.
با سلام ،در ادمه به ارائه مقاله تخمین پارامترهای ژئومکانیکی یکی از میادین نفتی از روی نمودارهای پتروفیزیکی باکمک روش های هوشمندمیپردازیم .این مقاله به ارائه روش هوشمندی در محاسبه پارامتر ژئومکانیکی میپردازدکه درسال 2018در دانشگاه هامبورگ آلمان ارائه گردید.این مقاله که از الگوریتم هوشمند در بهره گیری از پارامتر های مهم ژئومکانیکی میپردازد ،توسط مهندس مهدی گندم گون،مهندس محمد حسین گندم گون،مهندس شادی محول به نگارش در آمده است ،که در ادامه چکیده ای از این مقاله مهم را خواهید خواند:
پروژه های مربوط به ساخت و ایجاد مدلهای ژئومکانیکی مربوط به چاه های اکتشافی و تولیدی در زمینه های گوناگون از لحاظ فنی و اقتصادی چالش برانگیز هستند. روشهای هوشمند یکی از روشهای جدید، کم هزینه و دقیقی هستند که میتوانند با بهره گیری از نگاره های پتروفیزیکی، پارامترهای ژئومکانیکی را در کمترین زمان ممکن تخمین بزنند. هدف این مقاله غلبه بر محدودیتهای تکنیکهای موجود با استفاده از تکنیکهای هوش مصنوعی مختلف است. داده هایی که در این مطالعه مورداستفاده قرار میگیرند از بررسی های چاه پیمایی معمولی تخلخل نوترونی، اشعه گاما و چگالی بالک و همچنین لاگ صوتی موجود هستند. مجموعه داده ها از 8 چاه در سازندهای کربناته و 24 نمونه مغزه برای ساخت یک مدل مناسب استفاده شد که میتواند پارامترهای شکست سنگ را از نمودارهای مربوط به چاه پیشبینی کند. سه تکنیک هوش مصنوعی، شبکه های عصبی مصنوعی (ANN)، سیستم استنتاج فازی - فازی (ANFIS) و ماشینهای بردار پشتیبان (SVM) برای پیشبینی سه پارامتر شکست ژئومکانیکی یعنی زاویه اصطکاک (FANG)، مقاومت فشاری محدودشده (UCS ) و مقاومت کششی (TSTR) استفاده شدند. برای هر پارامتر، سه تکنیک برای آموزش مدلهای AI اجرا شدند و سپس داده های دیگر برای اعتبارسنجی مدلها مورد استفاده قرار گرفت. از سه تکنیک هوش مصنوعی، مدل مربوط به شبکه های عصبی مصنوعی نتایج بسیار خوبی به همراه داشت و نتایج مورد استفاده در مورد مدلهای دیگری که با استفاده از روشهای سیستم استنتاج فازی – فازی و ماشینهای بردار پشتیبان انجام گرفت که با ضریب همبستگی 0,98 و AAPE در حدود 4,6 درصد به دست آمد، همچنین در این مقاله مدل شبکه ی عصبی مصنوعی به گونه ای برنامه ریزی شد که امکان استخراج موفقیت آمیز وزنها و بایاسهای شبکه به راحتی مورد استفاده قرار میگرفت.