پایان نامه > کتابخانه مرکزی دانشگاه صنعتی شاهرود > مهندسی معدن، نفت و ژئوفیزیک > مقطع کارشناسی ارشد > سال 1389
پدیدآورندگان:
مسعود شکوری [پدیدآور اصلی]، منصور ضیائی[استاد راهنما]، علی اکبر پویان[استاد راهنما]، سیما سهرابی [استاد مشاور]
چکیده: با توجه به این موضوع که 90 درصد ذخایر نفتی در سنگ های کربناته قرار گرفته اند، شناسایی بافتی سنگ های کربناته یکی از مراحل ضروری و اجتناب ناپذیر برای اکتشافات نفتی در مخازن هیدروکربوری آهکی به شمار می رود. در روش های سنتی روال کار برای شناسایی بافتی سنگ ها بدین صورت می باشد که پس از نمونه برداری از اعماق مشخص در چاه، از نمونه های سنگی بدست آمده مقاطع نازک تهیه می شود. در مرحله بعد متخصصین سنگ شناسی مقاطع نازک را تک تک مورد بررسی قرار می دهند و نام گذاری می کنند که این کار بسیار وقت گیر و پرهزینه می باشد و به دلیل زمان بر بودن و سختی کار احتمال اشتباه انسانی بسیار بالا می باشد. به دلیل وقت گیر بودن این مرحله، هزینه های مربوط به نیروی انسانی متخصص بسیار بالا می باشد. استفاده از یک روش بر پایه کامپیوتر و روش های هوش مصنوعی می تواند مشکلات ناشی از زمان و هزینه را تا حد چشمگیری کاهش دهد و همچنین باعث سهولت در جابجایی داده های مورد نیاز در بین واحدهای مختلف یک سازمان شود. در این مطالعه نرم افزاری بر پایه روش های شبکه عصبی و پردازش تصویر تهیه شد که با گرفتن یک تصویر میکروسکوپی دیجیتال به عنوان ورودی از سطح مقطع نازک با بزرگ نمایی 25 برابر نوع سنگ کربناته را مشخص می کند. برای آموزش شبکه عصبی نرم افزار از 400 مقطع نازک استفاده شد که از این تعداد مقطع نازک به تعداد مساوی(100 عدد) مربوط به یکی از گروه های مادستون، وکستون، پکستون و گرینستون می باشد. همچنین از 400 تصویر دیجیتالی دیگر از مقاطع نازک برای تست نرم افزار استفاده شد. با توجه به نتایج تست نرم افزار دقت نرم افزار برای شناسایی هر یک از گروه های مادستون، وکستون، پکستون و گرینستون به ترتیب برابر 100، 76، 71 و 87 درصد می باشد.
کلید واژه ها (نمایه ها):
#سنگ های کربناته #شناسایی بافتی #شبکه عصبی #پردازش تصویر
محل نگهداری: کتابخانه مرکزی دانشگاه صنعتی شاهرود
یادداشت: حقوق مادی و معنوی متعلق به دانشگاه صنعتی شاهرود می باشد.
تعداد بازدید کننده:
پایان نامه های مرتبط (بر اساس کلیدواژه ها)