مقالات هوش مصنوعي درباره نفت و گاز - Artificial Intelligence

**Astaraki** · ۱۱-۶-۱۳۸۷, ۰۱:۴۹ بعد از ظهر

ليست مقالات هوش مصنوعي در زمينه نفت و گاز
در حال تکميل

sedi · ۰۹-۲۰-۱۳۸۹, ۱۰:۳۴ بعد از ظهر

کاربرد در نفت

مهرپور · ۰۹-۲۸-۱۳۸۹, ۱۲:۱۰ بعد از ظهر

کاربرد هوش مصنوعی در نفت

**Astaraki** · ۰۹-۲۸-۱۳۸۹, ۰۵:۱۳ بعد از ظهر

کاربرد شبکه های عصبی مصنوعی در مهندسی نفت

**Astaraki** · ۰۹-۲۸-۱۳۸۹, ۰۵:۱۵ بعد از ظهر

پيش بيني قيمت نفت با بكارگيري يك شبكه عصبي مصنوعي تلفيقي

خلاصه مقاله:
با توجه به مكانيزم پيچيده حاكم بر قيمت نفت خام، مدل هاي خطي كارآيي مناسبي در پيش بيني آن ندارند . محققين از شبكه عصبي به عنوان يك روش غيرخطي جديد براي پيش بيني بهره گرفته اند . يكي از مشكلات استفاده از شبكه عصبي، فرآيند طولاني و زمان بر » آزمون و خطا « براي تعيين معماري بهينه - اعم از تعداد ورودي ها، تعداد لايه هاي مخفي، تعداد نورون در هر لايه مخفي و تابع انتقال هر يك از لايه ها - مي باشد . اين مقاله، ابتدا تحقيقات مربوط به پيش بيني قيمت نفت خام را بررسي كرده، سپس ادبيات پيش بيني با استفاده از شبكه عصبي را مرور نموده و آنگاه به ارائه رويكرد تلفيقي شبكه عصبي و الگوريتم ژنتيك پرداخته است . در اين رويكرد، ابتدا كروموزومي كه ژن هاي آن نمايش دهنده پارامترهاي معماري شبكه مي باشند تعريف شده است . سپس يك جمعيت اوليه تصادفي از اين كروموزوم ها ايجاد مي گردد كه با طي كردن روند تكاملي به سمت معماري بهينه حركت مي كند . قيمت هاي نفت خام West Texas Intermediate (WTI) در بازه زماني 1988 تا 2004 براي آموزش و تعيين معماري شبكه و قيمت هاي سال 2005 و 2006 براي آزمايش آن بكار گرفته شده اند . نتايج نشان مي دهند كه بكارگيري رويكرد پيشنهادي باعث بهبود كيفيت پيش بيني ها شده است .

كلمات كليدي:
پيش بيني، قيمت نفت، شبكه عصبي، الگوريتم ژنتيك

**Astaraki** · ۰۹-۲۸-۱۳۸۹, ۰۵:۱۸ بعد از ظهر

ارائه يك مدل شبكه عصبي جهت پيش بيني كوتاه مدت قيمت نفت خام

چکيده:
ايران يكي از پنج كشور بزرگ مالك ذخاير غني نفتي در جهان است. عليرغم رشد صادرات محصولات غيرنفتي، هنوز هم بخش اعظم اقتصاد كلان كشور بر نفت متکي است و بيش از %98 انرژي اوليه كشور از نفت تأمين ميشود. بنابراين اهميت تحقيق در زمينه مباحث مرتبط با اقتصاد نفت و بويژه مدلي كه بتواند قيمت نفت را پيشبيني نمايد، بر هيچكس پوشيده نيست. امروزه علاقه فراواني به استفاده از سيستمهاي هوشمند در جهت بهبود كيفيت تصميمات مالي بوجود آمده است. بويژه شبكههاي عصبي که از طريق آموزش، توانايي يادگيري از تجارب گذشته و بهبود سطح كارايي خود را دارا هستند، در اين رابطه جايگاه ويژهاي دارند. لذا در اين تحقيق با استفاده از يادگيري «هدايت شده» يك مدل شبکه عصبي براي «پيشبيني ماهانه قيمت نفت خام»، توسعه داده شده است. در فرآيند توسعه اين مدل، تأثير انواع متغيرهاي فني و بنيادي، تعداد نرونهاي لايه ورودي، تعداد لايهها و نرونهاي پنهان، توابع تبديل لايهها، پيشپردازش مناسب دادهها، تقسيمات مختلف دادهها براي انتخاب مجموعههاي آموزش و آزمايش، انواع الگوريتمهاي يادگيري بهبوديافته و انواع شبکه با انجام آزمايشهاي فراوان بررسي شده است. در نهايت يك شبكه پيشخور سهلايه (n9-2-8-1) با ميانگين خطاي مطلق 74 سنت در مجموعه آموزش و 71 سنت در مجموعه آزمايش، بعنوان بهترين مدل انتخاب گرديده است.

کليدواژگان:
قيمت نفت خام، شبکه عصبي، پيشبيني، مدل سازي غيرخطي، پيشگويي کوتاه مدت

**Astaraki** · ۰۹-۲۸-۱۳۸۹, ۰۶:۵۴ بعد از ظهر

بهينه سازي توليد ميادين نفتي با استفاده از الگوريتم ژنتيكي

چکیده:
هدف از انجام اين تحقيق، بررسي كارآيي روش ((الگوريتم ژنتيكي)) براي بهينه سازي توليد و طراحي چاههاي هيدروكربني است. اين مقاله روش جديدي براي تحليل يك سيستم توليد هيدروكربوري را ارائه مي كند. اين روش، يك روش آماري – تصادفي1 است كه مي تواند يك سيستم با تعداد متغيرهاي تصميم بسيار زياد را مورد تحليل قرار داده و بهترين مقدار آنها را به نحوي تعيين كند كه بيشترين سود اقتصادي عايد گردد. روش مورد بحث در اين مقاله، ((الگوريتم ژنتيكي)) است كه پس از تعريف يك مدل مناسب براي توليد از يك ميدان نفتي يا گازي، مي توان با استفاده از اين روش بهينه مدل را به دست آورد. عملكرد2 يك چاه توليدي تابعي از متغيرهاي گوناگون است؛ مانند اندازه لوله مغزي، سايز كاهنده و فشار تفكيك كننده ها. هر تغييري در مقدار هر كدام از اين متغيرها باعث تغيير در عملكرد چاه توليدي خواهد شد. سيستم مفروض در اين مقاله شامل لوله مغزي، كاهنده و تفكيك كننده هاست. برنامه نوشته شده از الگوريتم ژنتيكي بهره مي برد تا بهترين مقادير را براي سايز لوله مغزي، سايز كاهنده و فشار تفكيك كننده ها به دست آورد، به نحوي كه بتوان بيشترين استحصال مايعات هيدروكربوري را داشت. اين برنامه كه در محيط MATLAB نوشته شده است، مي تواند سيستم هاي با دو سايز لوله مغزي (تركيبي از لوله مغزي و جداري) را در نظر گرفته و بهترين عمقي كه بايستي در آن عمق، سايز لوله مغزي تغيير كند را نيز محاسبه نمايد. علاوه بر آن، برنامه مذكور توانايي آن را دارد كه بتواند بهينه تعداد تفكيك كننده ها را نيز مشخص نمايد. در پايان اين روش براي يك ميدان واقعي مورد بررسي قرار گرفته و نتايج آن با نتايج حاصله از نرم افزار شبيه ساز Prosper مقايسه شده است.

**Astaraki** · ۰۹-۲۸-۱۳۸۹, ۰۷:۰۰ بعد از ظهر

بررسي مدلسازي هوش مصنوعي بر تخمين حداقل فشار امتزاج پذيري گاز غيره يدروكربنيك تزريقي به منظور افزايش توليد نفت

خلاصه مقاله:
تزريق گاز امتزاج پذير يكي از مهمترين و مؤثرترين روشهاي ازدياد برداشت نفت است. مهمترين پارامتر در طراحي اين گونه فرايند ها « حداقل فشار امتزاج پذيري » است. حداقل فشار امتزاج پذيري كمترين فشاري است كه سيال تزريق شده مي تواند بصورت ديناميك و از طريق تماسهاي مكرر با سيال مخزن به امتزاج پذيري برسد. درحال حاضر روشهاي آزمايشگاهي تعيين حداقل فشار امتزاج پذيري عبارتند از آزمايش لوله قلمي و دستگاه حباب بالا رونده. به دليل اينكه اينگونه آزمايشها بسيار وقت گير و پر هزينه مي باشند، بنابراين مدلسازي فرايند تماس چندگانه براي محاسبه و پيش بيني حداقل فشار امتزاج پذيري از اهميت خاصي برخوردار است. در اين تحقيق، دستگاه آزمايش لوله قلمي با است فاده ازروشهاي هوش مصنوعي شامل شبكه عصبي مصنوعي، منطق فازي و الگوريتم ژنتيك شبيه سازي شده است . درشرايطي كه در دماي مخزن و فشار تزريق، سيال مخزن و سيال تزريق شده به امتزاج پذير شوند خواص هر دو فازكاملاً مشابه يكديگر خواهد بود و در نهايت يك سيستم سيال تك فاز وجود خواهد داشت.

كلمات كليدي:
تزريق گاز امتزاج پذير - حداقل فشار امتزاج پذيري - هوش مصنوعي

**Astaraki** · ۰۹-۲۸-۱۳۸۹, ۰۷:۱۶ بعد از ظهر

پيش بيني پوياي قيمت نفت خام با استفاده از شبكه هاي عصبي مصنوعي و با به‎كارگيري ذخيره سازي‎هاي نفتي

چکیده:
نفت به‎عنوان بزرگ‎ترين منبع تأمين انرژي در جهان و به‎دليل نقش آن در اقتصاد كشورهاي توليد كننده، حائز اهميت بسيار است. لذا شناخت پارامترهاي مختلف تأثير‎گذار بر بازار نفت براي اين كشورها، ضروري به نظر مي رسد. در اين راستا، اين تحقيق به پيش بيني قيمت به‎عنوان يك متغير مهم از بازار جهاني نفت، با استفاده از روش شبكه هاي عصبي مصنوعي و نيز روش اقتصادسنجي arima مي پردازد. لازم به ذكر است كه اين پيش‎بيني‎ها به‎صورت پويا انجام شده اند. از يك سو نتايج پيش بيني هاي يك گام به جلو تا ده گام به جلو با استفاده از روش شبكه هاي عصبي در مقايسه با روش arima، حاكي از خطاي كم‎تر روش شبكه هاي عصبي است و از سوي ديگر نتايج پيش بيني هاي شبكه‎هاي عصبي نشان مي دهد كه با اضافه كردن ذخيره سازي هاي كشورهاي oecd به‎عنوان يك ورودي ديگر در مدل و انجام يك پيش بيني دو متغيره (براي اولين بار در ايران)، خطاي پيش بيني هاي قيمت نفت كاهش مي‎يابد. طبقه بندي jel:c02, q40, q41, c22, c45

**Astaraki** · ۰۹-۲۸-۱۳۸۹, ۰۷:۲۰ بعد از ظهر

پيش بيني قيمت نفت خام با استفاده از هموارسازي موجک و شبكه عصبي مصنوعي

در اين مقاله تلاش شده است تا با استفاده از تبديل موجک و شبكه عصبي مدلي ارايه شود که پيش بيني دقيق تر و با خطاي كم تري از قيمت نفت خام داشته باشد. در اين مدل ترکيبي، از خاصيت هموارسازي تبديل موجک براي کاهش سطح نويز داده ها استفاده شده و سپس به وسيله شبكه عصبي مصنوعي و با داده هاي هموار سازي شده، قيمت نفت پيش بيني شده است. نتايج حاصل از مقايسه rmse مدل هاي رقيب با مدل ترکيبي مورد اشاره، دلالت بر آن دارد که کاهش نويز و هموار سازي داده ها، عملکرد پيش بيني قيمت نفت را بهبود مي دهد.

كليد واژه: تبديل موجک، قيمت نفت خام، پيش بيني، هموار سازي، شبكه عصبي مصنوعي