دانلود مقاله انگلیسی رایگان:مدلهای یادگیری ماشینی مبتنی بر GIS برای مناطق نقشه برداری تار حصیر در بخش بالایی (واحد DJ) سازند زبیر در میدان نفتی رمیله ابرغول شمالی، جنوب عراق - 2019
دانلود بهترین مقالات isi همراه با ترجمه فارسی
دانلود مقاله انگلیسی یادگیری ماشین رایگان
  • GIS-based machine learning models for mapping tar mat zones in upper part (DJ unit) of Zubair Formation in North Rumaila supergiant oil field, southern Iraq GIS-based machine learning models for mapping tar mat zones in upper part (DJ unit) of Zubair Formation in North Rumaila supergiant oil field, southern Iraq
    GIS-based machine learning models for mapping tar mat zones in upper part (DJ unit) of Zubair Formation in North Rumaila supergiant oil field, southern Iraq

    سال انتشار:

    2019


    عنوان انگلیسی مقاله:

    GIS-based machine learning models for mapping tar mat zones in upper part (DJ unit) of Zubair Formation in North Rumaila supergiant oil field, southern Iraq


    ترجمه فارسی عنوان مقاله:

    مدلهای یادگیری ماشینی مبتنی بر GIS برای مناطق نقشه برداری تار حصیر در بخش بالایی (واحد DJ) سازند زبیر در میدان نفتی رمیله ابرغول شمالی، جنوب عراق


    منبع:

    Sciencedirect - Elsevier - Journal of Petroleum Science and Engineering, 178 (2019) 559-574: doi:10:1016/j:petrol:2019:03:071


    نویسنده:

    Amna M. Handhala, Shaymaa M. Jawadb, Alaa M. Al-Abadia,∗


    چکیده انگلیسی:

    In this study, three machine learning models, namely, support vector machine, naïve Bayes, and random forest, along with the geographic information system, are used to delineate the tar mat occurrence hazard in the upper part of Zubair Formation (named as DJ unit) in Rumaila oil field, southern Iraq. To build these models, a well inventory map that consists of 213 wells (tar and free-tar) is used with five factors that control the mat distribution in the DJ reservoir unit. These factors are porosity, volume of shale, water saturation, DJ unit thickness, and distance to the major fold axis. Multicollinearity and feature selection tests demonstrate that three of the five factors (distance to the major fold axis, water saturation, and porosity) are responsible for the tar distribution in the reservoir unit. The important factors with well inventory are used to develop the machine models and the results are compared using five evaluation measures namely, accuracy, sensitivity, specificity, kappa, and the relative operating characteristics curve. Findings from the models suggest that random forest is the best model, followed by support vector machine with polynomial kernel. The prediction random forest model is used to delineate the mat distribution, and the probability of tar mat occurrence hazard is classified into five zones, namely, very low, low, moderate, high, and very high. The produced hazard map in this study can be used as guide in the drilling of new wells in the considered reservoir unit and in avoiding the drilling of wells where the tar expected to occur.
    Keywords: Tar mat | GIS | Machine learning | Zubair formation


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 16
    حجم فایل: 3562 کیلوبایت

    قیمت: رایگان


    توضیحات اضافی:




اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

تعداد نظرات : 0

الزامی
الزامی
الزامی
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی