[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
:: دوره 4، شماره 1 - ( 3-1395 ) ::
جلد 4 شماره 1 صفحات 39-59 برگشت به فهرست نسخه ها
مدل‌سازی مکانی مناطق اکتشاف نفتی با سیستم استنتاج فازی عصبی تطبیقی (ANFIS) در GIS
نورالدین میثاق ، نجمه نیسانی سامانی، عطاء الله عبدالهی کاکرودی، سید کاظم علوی پناه، عباس بحرودی
دانش آموخته ارشد دانشگاه تهران
چکیده:   (2296 مشاهده)

فرآیند اکتشاف منابع هیدروکربنی فرآیندی بسیار پیچیده و پرهزینه می‌باشد. در این فرایند فاکتورهای متعدد زمین‌شناسی، ژئوشیمی و ژئوفیزیک تهیه و باهم تلفیق می‌شوند.  طراحی بهترین مسیر برای برداشت داده‌های لرزه‌نگاری و همچنین  تعیین بهترین محل برای حفر چاه‌های اکتشافی از اهمیت ویژه‌ایی برخوردار است، زیرا عدم دقت در انتخاب موقعیت مکانی، صرف هزینه و زمان زیاد در طول عملیات می‌باشد. هدف این تحقیق تعیین مناطق محتمل نفت و گاز در برگه 1:250000 اهواز با 20 میدان نفتی به منظور کاهش زمان و هزینه اکتشاف و تولید است بدین منظور 17 نقشه‌ی فاکتور شامل : کمترین و بیشترین مقدار (غنای کربن آلی (TOC)، بازده پتانسیل برای تولید هیدرو‌کربن (PP)، پیک دمایی Tmax، شاخص تولید (PI)، اندیس اکسیژن (OI)، اندیس هیدروژن (HI))و‌ داده‌های مجاورت به مناطق دارای آنومالی باقیمانده ثقل بوگه بالا، محور طاقدی‌ها و گسل‌ها، نقشه‌ی ناهمواری و انحنای حاصل از منحنی‌های زیر سطحی سازند آسماری توسط توابع GIS ایجاد شدند. برای ترکیب نقشه‌های فاکتور، از سیستم استنتاج فازی عصبی تطبیقی که از روش‌های داده مبنا می‌باشد، استفاده شد. نتایج حاصل از مدل‌سازی با داده‌های آزمون نشان داد که مدل مذکور با شاخص کاپای 859/0، همبستگی 839/0 و متوسط ریشه مربع خطا برابر با 0399/0 توانسته است با دقت بالایی میدان‌های نفتی را پیش‌بینی کند، هرچند میدان‌های از قبیل شاور و سپهر شناسایی نشده و برخی قسمتها نیز به اشتباه، مناطق نفتی پیش‌بینی شده‌اند.

واژه‌های کلیدی: اهواز، مدل‌سازی، ANFIS، GIS، میدان نفتی
متن کامل [PDF 2318 kb]   (752 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: سیستمهای اطلاعات مکانی (عمومی)
دریافت: ۱۳۹۴/۱۰/۱۷ | پذیرش: ۱۳۹۵/۳/۳ | انتشار: ۱۳۹۵/۸/۱۶
فهرست منابع
1. [1] N. J. Hyne, "Geology for petroleum exploration, drilling and production," 1984.
2. [2] R Bott, & DM. Carson. Canada's Evolving Offshore Oil and Gas Industry: Canadian Centre for Energy Innovation, 2007.
3. [3] E. J. M. Carranza, F. Van Ruitenbeek, C. Hecker, M. van der Meijde, and F. D. van der Meer, "Knowledge-guided data-driven evidential belief modeling of mineral prospectivity in Cabo de Gata, SE Spain," International Journal of Applied Earth Observation and Geoinformation, vol. 10, pp. 374-387, 2008. [DOI:10.1016/j.jag.2008.02.008]
4. [4] J. Malczewski, GIS and multicriteria decision analysis: John Wiley & Sons, 1999.
5. [5] K. A. Barrell, "GIS: The exploration and exploitation tool," Geographic information systems in petroleum exploration and development, vol. 4, pp. 237-248, 2000.
6. [6] G. F. Bonham-Carter, "Geographic Information Systems for geoscientists-modeling with GIS," Computer methods in the geoscientists, vol. 13, p. 398, 1994.
7. [7] M. Nikravesh, L. A. Zadeh, and F. Aminzadeh, Soft computing and intelligent data analysis in oil exploration vol. 51: Elsevier, 2003.
8. [8] J. H. Park, I. Y. Park, Y. C. Kwun, and X. Tan, "Extension of the TOPSIS method for decision making problems under interval-valued intuitionistic fuzzy environment," Applied Mathematical Modelling, vol. 35, pp. 2544-2556, 2011. [DOI:10.1016/j.apm.2010.11.025]
9. [9] A. Porwal, E. Carranza, and M. Hale, "Artificial neural networks for mineral-potential mapping: a case study from Aravalli Province, Western India," Natural resources research, vol. 12, pp. 155-171, 2003. [DOI:10.1023/A:1025171803637]
10. [10] S. Jain and M. Khare, "Adaptive neuro-fuzzy modeling for prediction of ambient CO concentration at urban intersections and roadways," Air Quality, Atmosphere & Health, vol. 3, pp. 203-212, 2010 [DOI:10.1007/s11869-010-0073-8]
11. [11] S. Zargani, R. Vaughan, and A. Missallati, "Spatial integration of geological datasets for predictive hydrocarbon studies in Murzuq basin, SW Libya," in Geoscience and Remote Sensing Symposium, 2003. IGARSS'03. Proceedings. 2003 IEEE International, 2003, pp. 991-993. [DOI:10.1109/IGARSS.2003.1293988]
12. [12] L. Bingham, R. Zurita-Milla, and A. Escalona, "Geographic information system–based fuzzy-logic analysis for petroleum exploration with a case study of northern South America," AAPG bulletin, vol. 96, pp. 2121-2142, 2012. [DOI:10.1306/04251212009]
13. [13] A. Aydemir, "Hydrocarbon potential of the Tuzgolu (Salt Lake) Basin, Central Anatolia, Turkey: a comparison of geophysical investigation results with the geochemical data," Journal of Petroleum Science and Engineering, vol. 61, pp. 33-47, 2008. [DOI:10.1016/j.petrol.2007.10.004]
14. [14] Wang, B., Wang, X., & Chen, Z. (2013). A hybrid framework for reservoir characterization using fuzzy ranking and an artificial neural network. Computers & Geosciences, 57, 1-10. [DOI:10.1016/j.cageo.2013.03.016]
15. [15] M. Rousta, "Study the oil potential of the structural zone of Qom - Ardestān formation in GIS", Master's Thesis, Amirkabir University of Technology, 2008.
16. [16] M. A. Amiri, M. Karimi, and A. A. Sarab, "Hydrocarbon resources potential mapping using the evidential belief functions and GIS, Ahvaz/Khuzestan Province, southwest Iran," Arabian Journal of Geosciences, vol. 8, pp. 3929-3941, 2014. [DOI:10.1007/s12517-014-1494-8]
17. [17] Asadi, H. H., Porwal, A., Fatehi, M., Kianpouryan, S., & Lu, Y. J. "Exploration feature selection applied to hybrid data integration modeling: Targeting copper-gold potential in central Iran". Ore Geology Reviews, 71, 819-838, 2015 [DOI:10.1016/j.oregeorev.2014.12.001]
18. [18] Porwal, A., & Carranza, E. J. M. (2015). Introduction to the Special Issue: GIS-based mineral potential modelling and geological data analyses for mineral exploration. Ore Geology Reviews, 71, 477-483. [DOI:10.1016/j.oregeorev.2015.04.017]
19. [19] Brown, W. M., Gedeon, T. D., & Groves, D. I, "Use of noise to augment training data: a neural network method of mineral–potential mapping in regions of limited known deposit examples". Natural Resources Research, 12(2), 141-152, 2003. [DOI:10.1023/A:1024218913435]
20. [20] Singer, D. A., & Kouda, R, Application of a feedforward neural network in the search for Kuroko deposits in the Hokuroku district, Japan. Mathematical Geology, 28(8), 1017-1023, 1996. [DOI:10.1007/BF02068587]
21. [21] Hosseinali, F., & Alesheikh, A. A, "Weighting spatial information in GIS for copper mining exploration". American Journal of Applied Sciences, 5(9), 1187-1198, 2008. [DOI:10.3844/ajassp.2008.1187.1198]
22. [22] Bui, D. T., Pradhan, B., Lofman, O., Revhaug, I., & Dick, O. B, "Landslide susceptibility mapping at Hoa Binh province (Vietnam) using an adaptive neuro-fuzzy inference system and GIS". Computers & Geosciences, 45, 199-211, 2012. [DOI:10.1016/j.cageo.2011.10.031]
23. [23] Pradhan, B., Sezer, E. A., & Gokceoglu, C, "Erratum to:Manifestation of an adaptive neuro-fuzzy model on landslide susceptibility mapping: Klang valley, Malaysia". Expert Systems with Applications, 40(6), 2360, 2013.
24. [24] S. Sherkati and J. Letouzey, "Variation of structural style and basin evolution in the central Zagros (Izeh zone and Dezful Embayment), Iran," Marine and petroleum geology, vol. 21, pp. 535-554, 2004. [DOI:10.1016/j.marpetgeo.2004.01.007]
25. [25] A. Nairn and A. Alsharhan, Sedimentary basins and petroleum geology of the Middle East: Elsevier, 1997.
26. [26] J.-S. R. Jang, "Fuzzy Modeling Using Generalized Neural Networks and Kalman Filter Algorithm," in AAAI, 1991, pp. 762-767.
27. [27] J.-S. R. Jang, "ANFIS: adaptive-network-based fuzzy inference system," Systems, Man and Cybernetics, IEEE Transactions on, vol. 23, pp. 665-685, 1993. [DOI:10.1109/21.256541]
28. [28] J.-S. R. Jang, "Input selection for ANFIS learning," in Proceedings of the fifth IEEE international conference on fuzzy systems, 1996, pp. 1493-1499. [DOI:10.1109/FUZZY.1996.552396]
29. [29] J. C. Bezdek, R. Ehrlich, and W. Full, "FCM: The fuzzy c-means clustering algorithm," Computers & Geosciences, vol. 10, pp. 191-203, 1984. [DOI:10.1016/0098-3004(84)90020-7]
30. [30] Nouri, R., Farokhnia, A., Morid, S., and Riahi Modvar, H. 2009. Effect of input variables preprocessing in artifician neural network on monthly flow prediction by PCA and wavelet trainsformation. Water and Wastewater. 20: 1. 13-22.
31. [31] L.-X. Wang, A course in fuzzy systems: Prentice-Hall press, USA, 1999.
32. [32] Hunt, John M., R. Paul Philp, and Keith A. Kvenvolden. "Early developments in petroleum geochemistry." Organic Geochemistry 33.9 (2002): 1025-1052. [DOI:10.1016/S0146-6380(02)00056-6]
33. [33] Waples, Douglas W, "Geochemistry in petroleum exploration" Springer Science & Business Media, 2013.
34. [34] R. McQuillin, M. Bacon, and W. Barclay, "An introduction to seismic interpretation-Reflection seismics in petroleum exploration," 1984.
35. [35] S. J. Riley, "Index That Quantifies Topographic Heterogeneity," ed, 1999.
36. [36] C. H. Grohmann, M. J. Smith, and C. Riccomini, "Multiscale analysis of topographic surface roughness in the Midland Valley, Scotland," Geoscience and Remote Sensing, IEEE Transactions on, vol. 49, pp. 1200-1213, 2011. [DOI:10.1109/TGRS.2010.2053546]
37. [37] F. D. Mango, "The origin of light hydrocarbons in petroleum: ring preference in the closure of carbocyclic rings," Geochimica et Cosmochimica Acta, vol. 58, pp. 895-901, 1994. [DOI:10.1016/0016-7037(94)90513-4]
38. [38] Y. Pan, "lnterpretation and Seismic Coordination oi the Bouquer Gravity Anomalies Obtained in Southwestern Taiwan," 1968.
39. [39] J. R. Jensen and K. Lulla, "Introductory digital image processing: a remote sensing perspective," 1987.
ارسال پیام به نویسنده مسئول



XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Misagh N, Neisany Samany N, Abollahi Kakroodi A, Alavipanah S K, Bahroudi A. Spatial modeling of oil exploration areas using adaptive inference systems neuro - fuzzy (ANFIS) in GIS. jgit. 2016; 4 (1) :39-59
URL: http://jgit.kntu.ac.ir/article-1-184-fa.html

میثاق نورالدین، نیسانی سامانی نجمه، عبدالهی کاکرودی عطاء الله، علوی پناه سید کاظم، بحرودی عباس. مدل‌سازی مکانی مناطق اکتشاف نفتی با سیستم استنتاج فازی عصبی تطبیقی (ANFIS) در GIS. مهندسی فناوری اطلاعات مکانی. 1395; 4 (1) :39-59

URL: http://jgit.kntu.ac.ir/article-1-184-fa.html



دوره 4، شماره 1 - ( 3-1395 ) برگشت به فهرست نسخه ها
نشریه علمی-پژوهشی مهندسی فناوری اطلاعات مکانی Engineering Journal of Geospatial Information Technology
Persian site map - English site map - Created in 0.05 seconds with 30 queries by YEKTAWEB 3742