پديد آورنده :
طاهرزاده، آريانا
عنوان :
تخمين مقدار كل كربن آلي از داده هاي چاه پيمايي با استفاده از روش هاي نظارت شده
مقطع تحصيلي :
كارشناسي ارشد
محل تحصيل :
اصفهان : دانشگاه صنعتي اصفهان
صفحه شمار :
سيزده، 99ص. : مصور، جدول، نمودار
استاد راهنما :
حسن طباطبايي
توصيفگر ها :
مقدار كل كربن آلي , لاگ هاي چاه پيمايي , روش هاي نظارت شده , آناليز حساسيت , رگرسيون بردار پشتيبان
استاد داور :
حمزه صادقي، ابراهيم قاسمي
تاريخ ورود اطلاعات :
1398/11/27
تاريخ ويرايش اطلاعات :
1398/12/03
چكيده فارسي :
چكيده مقدار كل كربن آلي يكي از پارامترهاي موثر در ارزيابي سنگ منشا است بررسي آزمايشگاهي نمونههاي مغزه و خردههاي حفاري براي تعيين اين مقدار زمانبر و پرهزينه است جهت كاهش اين دو عامل مدلهاي فراواني براي تخمين مقدار كل كربن آلي از الگهاي رايج چاهپيمايي پيشنهاد شده است مدلهاي معرفي شده تجربي هستند و محدوديت اعمال منطقهاي دارند از اين رو امروزه تخمين مقدار كل كربن آلي با استفاده از روشهاي هوشمند رواج پيدا كرده است در اين مطالعه تعداد 011 نمونه از سازند النگمكسي حوضهي رسوبي سيچوان چين در دسترس بود كه بعد از پيشپردازش تعداد 601 نمونه 58 نمونه براي آموزش و 12 نمونه براي آزمايش مورد استفاده قرار گرفت از سه روش هوشمند رگرسيون خطي چند متغيره k نزديكترين همسايه و رگرسيون بردار پشتيبان جهت تعيين مقدار كل كربن آلي در سازند مورد مطالعه استفاده شد نتايج مطابقت خوبي بين مقادير تخمينزده شده و واقعي در هر سه مدل نشان دادند جهت كاهش هزينههاي راندن الگ و به دليل موجود نبودن همهي الگها در برخي از چاهها تعيين الگهايي كه بيشترين تاثير را در تخمين مقدار كل كربن آلي دارند در استفاده از اين مدلها اهميت دارد از اين رو الگهاي موثر با استفاده از آناليزهاي حساسيت تعيين شدند آناليزهاي حساسيت انجام شده روشهاي ضريب تاثير ميانگين ضريب تاثير ميانه رگرسيون گامبهگام روش موريس و روش مونت كارلو هستند در مجموع نتايج آناليزهاي حساسيت سه الگ چگالي الگ نوترون و الگ پرتوي گاما به عنوان الگهاي موثر معرفي شدند نتايج هر سه مدل رگرسيون خطي چند متغيره k نزديكترين همسايه و رگرسيون بردار پشتيبان در دو حالت استفاده از تمام الگ ها و استفاده از الگهاي انتخابي مقايسه شد و نشان داده شد استفاده از الگهاي انتخابي باعث بهبود عملكرد مدلها ميشود در نهايت بهترين عملكرد متعلق به مدل رگرسيون بردار پشتيبان آموزش داده شده با استفاده از الگهاي انتخابي با ضريب همبستگي 69 0 برروي دادههاي آموزش و 39 0 برروي دادههاي آزمايش است كلمات كليدي مقدار كل كربن آلي الگهاي چاهپيمايي روشهاي نظارت شده آناليز حساسيت رگرسيون بردار پشتيبان
چكيده انگليسي :
Total Organic Carbon estimation based on conventional well logs data using supervised methods Ariana Taherzadeh Taherzadeh ariana@gmail com Isfahan University of Technology Department of Mining Engineering Isfahan 84156 83111 IranDegree Msc Language FarsiSupervisor Dr Seyed Hasan Tabatabaei tabatabaei@cc iut ac irAbstractThe amount of total organic carbon is one of the most effective parameters in source rockevaluation Laboratory analysis of the core and cutting samples is expensive and timeconsuming To help reduce these two factors various total organic carbon estimationmodels using the conventional well logs have been suggested The suggested models areexperimental and subject to local application limitations Therefore nowadays applyingintelligent methods to estimate total organic carbon is common In this study 110 samplesof Longmaxi formation in Sichuan sedimentary basin of china were available Afterpreprocessing 106 samples have been used 85 training set and 21 test set Three methodshave been used to estimate the total organic carbon of objective erea these methods includeMultivariate Linear Regression K Nearest Neighbor and Support Vector Regression In allthree models the estimated results showed a good proximity to the real amounts To reducethe costs of log running and as a result of the lack of some logs in some wells identificationof most effective logs in total organic carbon estimation was done using sensitivityanalyses These analyses include mean impact value methods median impact value stepwise regression Morris method and Monte Carlo method In the end the results ofsensitivity analyses introduced the three logs of density neutron and gamma ray as theeffective logs A comparison was made between the results of all three models MultivariateLinear Regression K Nearest Neighbor and Support Vector Regression in both cases ofusing all logs and using selected logs The results showed an improved performance ofmodels when using the selected logs finally the Support Vector Regression trained usingthe selected logs with correlation coefficient of 0 96 on training set and 0 93 on test set yielded the best performance Keywords total organic carbon well logs supervised methods sensitivity analysis Support Vector Regression
استاد راهنما :
حسن طباطبايي
استاد داور :
حمزه صادقي، ابراهيم قاسمي
