{
    "metadata": {
        "dataset_id": "shahroodut-thesis",
        "record_id": "TN716",
        "title": "ارزیابی تراوایی سنگ مخزن با استفاده از روش آنالیز تصویر و نتایج لاگ NMR در جنوب ایران",
        "publisher": "دانشگاه صنعتی شاهرود",
        "owner": "کتابخانه مرکزی دانشگاه صنعتی شاهرود",
        "license": "CC-BY-4.0",
        "license_url": "https://creativecommons.org/licenses/by/4.0/",
        "license_text": "استفاده، بازنشر، تحلیل، پردازش و بهره برداری پژوهشی، آموزشی و صنعتی با ذکر منبع دانشگاه صنعتی شاهرود مجاز است.",
        "publication_date": "1396",
        "last_update": "2026-07-11",
        "language": "fa",
        "format": "application/json",
        "contact": "thesis@shahroodut.ac.ir",
        "access": {
            "fulltext_available": "true",
            "public_access": "true"
        }
    },
    "data": {
        "thesis_id": "TN716",
        "title": "ارزیابی تراوایی سنگ مخزن با استفاده از روش آنالیز تصویر و نتایج لاگ NMR در جنوب ایران",
        "degree": null,
        "faculty": "مهندسی معدن، نفت و ژئوفیزیک",
        "year": 1396,
        "authors": [
            {
                "name": "مهناز عابدینی",
                "role": "پدیدآور اصلی"
            },
            {
                "name": "منصور ضیائی",
                "role": "استاد راهنما"
            },
            {
                "name": "جواد قیاسی فریز",
                "role": "استاد مشاور"
            }
        ],
        "keywords": [
            "تراوایی",
            "آنالیز تصویر پتروگرافی",
            "سیستم‌‌های هوشمند",
            "ماشین کمیته",
            "شبکه عصبی عمیق",
            "تراوایی NMR"
        ],
        "abstract": "مشخصه‌‌های مخزن، نقش بسیار مهمی در مدیریت و توسعه مخازن ایفا می‌‌کنند. تراوایی، توانایی سنگ متخلخل برای عبور سیال و یکی از مهم‌ترین ویژگی‌‌های سنگ مخزن است، زیرا تولید هیدروکربن به تراوایی مخازن بستگی دارد. این پارامتر، در آزمایشگاه با تزریق هوا بر روی نمونه‌‌های مغزه، و یا آزمایش چاه اندازه‌‌گیری می‌‌شود. این روش‌‌ها پر‌‌هزینه و زمان‌‌بر هستند. در سال‌‌های اخیر، با پیشرفت‌‌های سخت‌‌افزاری و نرم‌‌افزاری، توانایی سیستم‌‌های هوشمند و آنالیز تصویر اثبات شده است. بنابراین، آنالیز تصویر و سیستم‌‌های هوشمند به منظور کاهش زمان و هزینه در پیش‌‌بینی تراوایی مورد استفاده قرار گرفته است. مطالعه حاضر، شامل دو قسمت است.\r\nدر قسمت اول، تراوایی با استفاده از آنالیز تصویر پتروگرافی و سیستم‌‌های هوشمند پیش‌‌بینی شد. مقاطع نازک مربوط به چاه A میدان گازی پارس جنوبی مورد استفاده قرار گرفت. آنالیز تصویر پتروگرافی برای اندازه‌‌گیری تخلخل بین‌دانه‌‌ای، تخلخل درون‌دانه‌‌ای، تخلخل قالبی، ریز‌تخلخل، تخلخل نوری، مقدار سیمان، کلسیت، دولومیت و انیدریت، نوع بافت و میانگین ضریب شکل هندسی فضا‌‌های خالی مورد استفاده قرار گرفت. از سه سیستم هوشمند شامل شبکه عصبی کم‌عمق، منطق فازی و عصبی فازی برای پیش‌‌بینی تراوایی استفاده شد.\r\nتراوایی با استفاده از سیستم‌‌های هوشمند و ویژگی‌‌های پتروگرافی پیش‌‌بینی شد. میانگین مربعات خطای شبکه عصبی کم‌عمق، منطق فازی و عصبی فازی برای داده‌‌های نرمال تست، به ترتیب، 0.0107، 0.0081و 0.0080 محاسبه شد. میانگین خطای مطلق شبکه عصبی کم‌عمق، منطق فازی و عصبی فازی برای داده‌های واقعی تست، به ترتیب، 11.54، 11.17 و 10.85 میلی‌دارسی محاسبه شد که متناظر با مقادیر ضریب همبستگی 0.9397، 0.9588 و 0.9558 است.\r\nمفهوم ماشین کمیته برای بهبود دقت پیش‌‌بینی استفاده شد. بنابراین، دو نوع ماشین کمیته برای ترکیب تراوایی پیش‌‌بینی شده از سیستم‌‌های هوشمند مورد استفاده قرار گرفت: میانگین‌‌گیری ساده و میانگین‌‌گیری وزن‌‌دار. در میانگین‌‌گیری وزن‌‌دار، از الگوریتم بهینه‌‌سازی ازدحام ذرات برای تعیین سهم هر سیستم هوشمند استفاده شد. میانگین مربعات خطای ماشین‌‌های کمیته مبتنی بر میانگین‌‌گیری ساده و وزن‌‌دار، برای داده‌‌های نرمال تست، به ترتیب، 0.0072 و 0.0066 محاسبه شد. میانگین خطای مطلق ماشین‌‌های کمیته مبتنی بر میانگین‌‌گیری ساده و وزن‌‌دار، برای داده‌های واقعی تست، به ترتیب، 9.03 و 8.94 میلی‌دارسی محاسبه شد که متناظر با مقادیر ضریب همبستگی 0.9623 و 0.9622 است.\r\nمقایسه نتایج قسمت اول با داده مغزه، نشان می‌‌دهد که آنالیز تصویر و سیستم‌‌های هوشمند برای پیش‌‌بینی تراوایی، موفقیت‌‌آمیز به کار برده شدند و ماشین‌‌های کمیته مبتنی بر سیستم‌‌های هوشمند، پیش‌‌بینی دقیق‌‌تری فراهم آوردند.\r\nدر قسمت دوم، تراوایی NMR با نتایج قسمت اول مقایسه شد. تراوایی NMR چاه A در دسترس نبود. بنابراین، از اطلاعات چاه B شامل لاگ‌‌های GR، NPHI، PEF و RHOB به عنوان ورودی‌‌ها و تراوایی NMR به عنوان خروجی، برای ساخت شبکه عصبی عمیق استفاده شد. میانگین مربعات خطای شبکه عصبی عمیق برای داده‌های نرمال آموزش، 0.0020 محاسبه شد. این مدل برای پیش‌‌بینی تراوایی NMR چاه A مورد استفاده قرار گرفت. بنابراین، اطلاعات چاه A شامل لاگ‌‌های GR، NPHI، PEF و RHOB به مدل، وارد و تراوایی NMR پیش‌‌بینی شد. تراوایی مغزه و تراوایی NMR پیش‌‌بینی شده در مقابل عمق، رسم شدند و ضریب همبستگی محاسبه شد. مقدار ضریب همبستگی 0.9765 نشان می‌دهد که تراوایی مغزه و تراوایی NMR پیش‌‌بینی شده، همبستگی خوبی دارند. بنابراین تراوایی پیش‌‌بینی شده با آنالیز تصویر و سیستم‌‌های هوشمند با تراوایی NMR پیش‌بینی شده، مقایسه شد. \r\nمقایسه نتایج قسمت اول با تراوایی NMR پیش‌بینی شده نشان می‌دهد که مجموعه داده‌های پتروگرافی و سیستم‌های هوشمند عملکرد خوبی داشتند.",
        "repository": "کتابخانه مرکزی دانشگاه صنعتی شاهرود",
        "note": "حقوق مادی و معنوی متعلق به دانشگاه صنعتی شاهرود می باشد.",
        "download_url": "https://shahroodut.ac.ir/fa/thesis/files/somefiles/sf_TN716.pdf"
    },
    "dictionary": {
        "thesis_id": "شناسه پایان نامه",
        "title": "عنوان پایان نامه",
        "degree": "مقطع تحصیلی",
        "faculty": "دانشکده",
        "year": "سال دفاع",
        "authors": "پدیدآورندگان",
        "keywords": "کلیدواژه ها",
        "abstract": "چکیده",
        "repository": "محل نگهداری",
        "note": "یادداشت",
        "download_url": "آدرس فایل پایان نامه"
    }
}