Andere Kunden interessierten sich auch für
![Caractérisation de Réservoir par l'Analyse Neuronale et Fractale]( "Caractérisation de Réservoir par l'Analyse Neuronale et Fractale")
Caractérisation de Réservoir par l'Analyse Neuronale et Fractale23,99 €![Modélisation des Faciès par les Méthodes de l¿Intelligence Artificiel]( "Modélisation des Faciès par les Méthodes de l¿Intelligence Artificiel")
Modélisation des Faciès par les Méthodes de l¿Intelligence Artificiel40,99 €![Utilisation des réseaux de neurones en calcul des structures]( "Utilisation des réseaux de neurones en calcul des structures")
Utilisation des réseaux de neurones en calcul des structures39,99 €![Simulation du suivi d'un réservoir en production par méthodes E.M.]( "Simulation du suivi d'un réservoir en production par méthodes E.M.")
Simulation du suivi d'un réservoir en production par méthodes E.M.45,99 €![Caractérisation géologique et pétrophysique des roches réservoirs]( "Caractérisation géologique et pétrophysique des roches réservoirs")
Caractérisation géologique et pétrophysique des roches réservoirs26,99 €![Géométrie d¿un réservoir de socle fracturé: bloc de Sidi Ifni (Maroc)]( "Géométrie d¿un réservoir de socle fracturé: bloc de Sidi Ifni (Maroc)")
Géométrie d¿un réservoir de socle fracturé: bloc de Sidi Ifni (Maroc)26,99 €![La Prévision Hydrologique par l¿Intelligence Computationnelle]( "La Prévision Hydrologique par l¿Intelligence Computationnelle")
La Prévision Hydrologique par l¿Intelligence Computationnelle73,99 €
L'estimation des paramètres pétrophysique de réservoir est une étape très importante dans la caractérisation de réservoir pétrolier permettant d'avoir des informations sur la porosité et la perméabilité du réservoir ainsi que la saturation en HC. Dans certains cas, il est difficile de les déterminer à cause de la complexité géologique du réservoir. C'est le cas des réservoirs argilo-gréseux où la présence des argiles rend cette tâche difficile à cause du changement de faciès lithologique. Pour cela, les techniques des réseaux de neurones artificielles, à apprentissage supervisé, ont été proposées. Une application aux réservoirs argilo-gréseux au niveaux de deux puits du Sahara algérien, a été réalisée où des diagraphies du premier puits ont été exploitées pour l'apprentissage du réseau et le deuxième puits pour la généralisation. Ainsi les paramètres mesurés de diagraphies ont été utilisé comme entrée de la machine neuronale et les paramètres de porosité, perméabilité et saturation ont été prédits à la sortie du réseau. Nous avons tester deux type de réseaux: MLP et RBF. Les résultats obtenus ont monté l' efficacité des ces techniques dans la caractérisation de réservoir.