فایل ورد (word) پيش بيني پارامترهاي پتروفيزيکي مخزن (نفوذپذيري، تخلخل و ...) از طريق نگاره رزونانس مغناطيسي هسته اي NMR LOGGING)و داده هاي مغزه گيري به کمک هوش مصنوعي دارای 12 صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است
فایل ورد فایل ورد (word) پيش بيني پارامترهاي پتروفيزيکي مخزن (نفوذپذيري، تخلخل و ...) از طريق نگاره رزونانس مغناطيسي هسته اي NMR LOGGING)و داده هاي مغزه گيري به کمک هوش مصنوعي کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه و مراکز دولتی می باشد.
توجه : در صورت مشاهده بهم ريختگي احتمالي در متون زير ،دليل ان کپي کردن اين مطالب از داخل فایل ورد مي باشد و در فايل اصلي فایل ورد (word) پيش بيني پارامترهاي پتروفيزيکي مخزن (نفوذپذيري، تخلخل و ...) از طريق نگاره رزونانس مغناطيسي هسته اي NMR LOGGING)و داده هاي مغزه گيري به کمک هوش مصنوعي،به هيچ وجه بهم ريختگي وجود ندارد
بخشی از متن فایل ورد (word) پيش بيني پارامترهاي پتروفيزيکي مخزن (نفوذپذيري، تخلخل و ...) از طريق نگاره رزونانس مغناطيسي هسته اي NMR LOGGING)و داده هاي مغزه گيري به کمک هوش مصنوعي :
نام کنفرانس یا همایش : سومين کنگره ملي مهندسي نفت
تعداد صفحات :12
چکیده مقاله:
پارامترهای پتروفیزیکی سازند، از مهم ترین و اساسی ترین پارامترهای مربوط به جریان سیال می باشد. اهمیت نفوذپذیری در صنعت نفت و گاز با کاربرد آن به عنوان پارامتر تعیین کننده ضرورت تکمیل یا عدم تکمیل چاه،مشخص می شود.نفوذپذیری همچنین در مدیریت و توسعه مخازن حیاتی است. به طور مثال تعیین دبی تولید، تعیین بازه های تکمیل مشبک کاری، طراحی الگوی افزایش برداشت و محاسبه تزریق در مخازن. پس از کشف و به کارگیری نگاره رزونانس مغناطیسی هسته ایNMR LOGGINGو همچنین کاربرد آن در مطالعات آزمایشگاهی روی نمونه های سنگ مخزن، تلاشها در جهت اندازه گیری دقیق خصوصیات پتروفیزیکی سنگ مثل تخلخل و تراوایی با این روش آغاز و همچنان ادامه دارد. به دلیل مشکلات و هزینه های بالای عملیات مغزه گیری درچاه های نفت و گاز، که امکان اندازه گیری مستقیم پارامترهای تخلخل و تراوایی را در آزمایشگاه میسر می سازد به کارگیری ابزارهای CMR(Combinable Magnetic و MRIL(magnetic resonance image log) Resonance) به منظور اندازه گیری غیر مستقیم ولی دقیق پارامترهای پتروفیزیکی سنگ مخزن انجام شد. بدین منظور و جهت اندازه گیری پارامتر مهم تراوایی سنگ، دو مدلSDR(Schlumberger Doll و Coates Research) موجود می باشد. دراین مقاله سعی شده است با به کارگیری هوش مصنوعی و همچنین با بررسی داده های نگارهCMR و اطلاعات مغزه، روش جدیدی برای پیش بینی نفوذپذیری سازند ارائه شود که دقت بالاترینسبت به مدل هایSDR و Coates دارد.