بخشی از مقاله
چکیده
شبکه های عصبی مصنوعی ترکیبی از عناصر ساده عملیاتی در حالت موازی هستند؟ این عناصر از سیستمهای عصبی بیولوژیکی الهام گرفته شده و براساس مدلهای ریاضی شبیه سازی شدهاند شبکهها دانش تجربی را استفاده میکنند و با انجام محاسبات روی دادههای عددی، آنها را ذخیره کرده و مورد استفاده قرار میدهند. روشهای زمین آماری بر پایه کریجینگ که به منظور تخمین مقادیر برای نقاط شبکه در منطقه مورد مطالعه استفاده میشود با نوعی هموارسازی در مقادیر همراه می باشد.
هر چند این نوع هموارسازی در بعضی موارد مطلوب باشد ولی در بعضی مطالعات نقش منحرف کنندهای را بازی میکند.حذف یک سری از دادهای دارای مقادیر بالا از نتایج این هموارسازی می باشد. روشهای شبیه سازی سعی در حذف این نوع هموارسازیها می باشد.در مخازن نفتی به علت جریان نفت در مخزن تغییرات زیادی در مخزن رخ میدهد که در روشهایی مثل کریجینگ به علت وجود اثرات نرمکنندگی این نوسانات قابل مشاهده نمی باشد، روش شبیهسازی بسیار مناسب برای این کار می باشد.
در این مقاله به بررسی چگونگی تخمین مقادیر تراوایی در محل چاهها با استفاده از دادههای زمینآمار و روش شبکههای عصبی پرداخته میشود.
شبکه های عصبی برای حل هر مسئله ای سه مرحله زیر را انجام میدهند:
.1 آموزش: فرآیندی که طی آن شبکه، الگوی موجود در ورودیها را که بصورت مجموعهای از دادههای آموزشی است، میشناسد. برای این منظور هر شبکه عصبی از مجموعهای از قوانین یادگیری که نحوه یادگیری را تعریف می-کنند، استفاده مینماید.
.2 تعمیم: توانایی شبکه برای ارائه جواب قابل قبول در قبال ورودیهایی که در مجموعه آموزشی نبودهاند.
.3 اجرا: استفاده از شبکه برای انجام عملکردی که به آن منظور طراحی شده است.
-1 مقدمه
کارآیی فراوان شبکههای عصبی5 به دلیل ویژگیهایی مانند: قابلیت یادگیری از طریق تجربه، پردازش اطلاعات به صورت متن، قابلیت تعمیمپذیری، پردازش موازی، مقاوم بودن یا تحملپذیری خطا،است. در ارائه این مقاله به کمک دادههای بدست آمده از مغزهها، نگارههای پتروفیزیکی چگالی، تخلخل موثر6، سونیک و تخلخل حاصل از نگاره نوترون به تخمین تراوایی مخزن با استفاده از شبکههای مصنوعی عصبی7 پرداخته شده است[6]، .[7]
شکل - : - 1 برشهای عمودی و افقی از مکعب لرزهای
شکل : - 2 - مدلسازی سهبعدی لرزهای
-2 قابلیت یادگیری از طریق تجربه
توانایی تنظیم پارامترهای شبکه در مسیر زمان با این هدف که اگر شبکه برای یک وضعیت خاص آموزش دید و سپس تغییر کوچکی در شرایط محیطی آن رخ داد، شبکه بتواند با آموزش مختصر برای شرایط جدید نیز کارآمد باشد. دیگر اینکه اطلاعات در شبکه به صورت مجزا از هم نبوده بلکه متاثر از کل شبکه میباشد.
-3 پردازش اطلاعات به صورت متن
اطلاعات یا دانش شبکه، در وزنهای سیناپسی1 آن ذخیره میشود . هر وزن سیناپسی مربوط به همه ورودیها است و هر نرون در شبکه از کل فعالیت سایر نرونها متاثر میباشد. پس چنانچه بخشی از سلولهای شبکه حذف شوند و یا عملکرد غلط داشته باشند باز هم احتمال رسیدن به پاسخ صحیح، البته به میزان کمتر وجود دارد.
-4 قابلیت تعمیم پذیری
شکل - : - 3 تخلخل بدست آمده از نگاره سونیک شبکه میتواند در مقابل ورودی آموزش داده نشده، خروجی مناسب ارائه نماید.
-5 پردازش موازی
سلولهای موجود در یک تراز بطور همزمان به ورودیهای آن تراز پاسخ میدهند و در نتیجه سرعت پردازش بالا میرود.
-6 مقاوم بودن یا تحمل پذیری خطا
رفتار کلی شبکه برآیند رفتارهای محلی سلولهای متعدد است.[9 ] سلولها در یک روند همکاری خطاهای یکدیگر را تصحیح میکنند، در نتیجه خطاهای محلی از خروجی نهایی دور میماند.
-7 رگرسیون
با فرض اینکه متغیرهای و مانا میباشند تخمینهایی از پارامترها و تستهای T و F درست می باشد. برای نشان دادن سازگاری تخمین های حداقل مربعات معمولی؛ از این نتایج زمانیکه اندازه نمونه افزایش مییابد و واریانس نمونه به واریانس جامعه همگرا میشود، استفاده میشود.
