The artificial neural network (ANN)

The artificial neural network (ANN) approach is a computation method inspired by the structure and function of the brain. An ANN is an interconnected group of neurons or nodes, organized into a sequence of layers. The network consists of an input and output layer and one or multiple hidden layers. When designing a neural network, one has to consider the architecture of the network, the learning rules or training algorithm, the number of hidden layers, the number of nodes in each layer, as well as the transfer functions in each layer. The advantage of using ANN is that it is capable of working with noisy data and can solve problems even when the exact relationships among the variables are unknown (Nakutnyy et al., 2008).

The ANN approach has been applied in different areas in the petroleum industry. Parada and Ertekin (2012) presented a neuro-simulation tool for screening EOR methods using ANN. The ANN models used in their screening tool were trained based on the simulation results from the commercial reservoir simulator of CMG©. When users have identified their choices among the four different hydrocarbon compositions, four different well patterns and four EOR techniques, which include the injection of miscible CO2, nitrogen injection, waterflooding and steam injections, the tool can forecast the expected oil production profile. Similar work was also presented in (El-M Shokir et al., 2002), which also considered the economical factors in selecting an appropriate EOR technique for a given reservoir. Surguchev and Li (2000) developed an ANN model, which can evaluate the applicability level (from 0 to 1) of the EOR technique. In addition to assisting in EOR screening, the ANN method has also been applied for predicting well performances (Ferreira et al., 2012 and Zhong et al., 2001).

The correlation models were developed using the multi-layer feed-forward backpropagation network. The set of examples with target output values were provided to the network and the network “learned” by self-adjusting the weights and biases in order to move the network outputs closer to the given targets. In a feed forward network, the performance function to be minimized is usually the Mean Square Error (MSE), which measures the difference between the predicted outputs and given targets. Out of the 174 simulated cases, 45 were selected randomly and reserved for testing the developed models; the rest of the 174 cases were used for training the ANN models.

MATLAB®’s Neural Network Toolbox™ (trademark of The MathWorks Inc.) which can be used for designing, implementing, visualizing and simulating neural networks, was used for building the correlation models. The tool supports supervised learning with feedforward, radial basis and dynamic networks (The MathWorks Inc., 2013a). The user can specify the architecture, training algorithm, number of hidden layers, and the number of nodes in each layer in the MATLAB® toolbox. MATLAB® will then train the ANN model with the provided input and output data sets. The user can evaluate the performance of the developed correlation models by analyzing the training record and regression plots provided by MATLAB®.

For developing the correlation models, the input parameters were the eleven predictor variables, whose value ranges become the constraints for developing the ANN model. The value ranges of the input parameters are shown in Table 3.3. The output parameter is the accumulated heavy oil production for a given time frame, which is measured every second minute during a span of twenty minutes. In other words, the oil production is measured at intervals of 2 min, i.e. at 0 min, 2 min, 4 min etc. up to 20 min. The model provides to the user a total of ten data points on the accumulated production of heavy oil over a time frame of 20 min; and the ten data points are shown as a plotted curve.

Three correlation models (called Model 1, Model 2 and Model 3) with different numbers of hidden layers, different numbers of nodes in the hidden layers and different training functions were trained and tested using the MATLAB® tool. The one that yielded the minimum error was adopted in the automated prediction system. The architectures of the three models are summarized in Table 3.4.

ผลลัพธ์ (ไทย) 1:

วิธีโครงข่ายประสาทเทียม (ANN) เป็นวิธีการคำนวณทางโครงสร้างและหน้าที่ของสมอง แอนเป็นกลุ่มเชื่อมต่อกันของ neurons หรือโหน จัดระเบียบเป็นลำดับชั้น เครือข่ายประกอบด้วยชั้นอินพุต และเอาท์พุตการและชั้นซ่อนอยู่หนึ่ง หรือหลาย เมื่อออกแบบเครือข่ายประสาท หนึ่งมีสถาปัตยกรรมของเครือข่าย กฎการเรียนรู้ หรือขั้นตอนวิธีการฝึกอบรม หมายเลขชั้นที่ซ่อนอยู่ จำนวนโหนดในแต่ละชั้น เป็นฟังก์ชันโอนย้ายในแต่ละชั้นควรพิจารณา ประโยชน์ของการใช้แอนคือ ว่า มันมีความสามารถในการทำงานกับข้อมูลเสียงดัง และสามารถแก้ปัญหาแม้ความสัมพันธ์ระหว่างตัวแปรแน่นอนจะไม่รู้จัก (Nakutnyy et al., 2008)วิธีแอนได้ถูกใช้ในพื้นที่ต่าง ๆ ในอุตสาหกรรมปิโตรเลียม Parada และ Ertekin (2012) แสดงการจำลองสมองเครื่องมือคัดกรองวิธี EOR ใช้แอน รุ่นแอนที่ใช้ในเครื่องมือการคัดกรองมีการฝึกอบรมตามผลการทดลองจากจำลองอ่างเก็บน้ำเชิงพาณิชย์ของ CMG © เมื่อผู้ใช้ได้ระบุตัวเลือกของพวกเขาจนไฮโดรคาร์บอนแตกต่างกันสี่ สี่ทั้งรูปแบบ และ 4 EOR เทคนิค ซึ่งรวมถึงการฉีด CO2 miscible ไนโตรเจนฉีด ฉีด waterflooding และอบไอน้ำ เครื่องมือที่สามารถคาดการณ์ค่าผลิตน้ำมันคาด ทำงานคล้ายกันยังนำเสนอใน (เอล-M Shokir et al., 2002), ซึ่งยังถือว่าเป็นปัจจัยในการเลือกเทคนิค EOR มีที่เหมาะสมสำหรับอ่างเก็บน้ำให้ประหยัด Surguchev และ Li (2000) ได้รับการพัฒนาเป็นรุ่นแอน ซึ่งสามารถประเมินระดับความเกี่ยวข้องของ (จาก 0 เป็น 1) เทคนิค EOR นอกจากการให้ความช่วยเหลือในการคัดกรอง EOR วิธีแอนยังถูกใช้สำหรับการคาดการณ์การแสดงดี (Ferreira et al., 2012 และจงร้อยเอ็ด al., 2001)รูปแบบความสัมพันธ์ได้พัฒนาเครือข่าย backpropagation อาหารไปหลายชั้น ชุดของตัวอย่างกับค่าเป้าหมายผลผลิตได้ให้แก่เครือข่ายและเครือข่าย "เรียนรู้" โดยปรับน้ำหนักและยอมเพื่อย้ายเครือข่ายแสดงผลใกล้กับเป้าหมายที่กำหนดด้วยตนเอง ในเครือข่ายตัวดึงข้อมูลไปข้างหน้า ฟังก์ชันประสิทธิภาพเพื่อจะได้ปกติค่าเฉลี่ยกำลังสองข้อผิดพลาด (MSE) , ที่วัดความแตกต่าง ระหว่างการแสดงผลคาดการณ์ และ กำหนดเป้าหมาย จากกรณีจำลอง 174, 45 ถูกเลือกแบบสุ่ม และสงวนไว้สำหรับการทดสอบแบบจำลองการพัฒนา เหลือกรณี 174 ถูกใช้สำหรับการฝึกอบรมรุ่นแอนMATLAB ®เครื่องมือเครือข่ายประสาท™ (เครื่องหมายการค้าของ MathWorks Inc.) ซึ่งสามารถใช้ในการออกแบบ การใช้ แสดงผล และการจำลองเครือข่ายประสาท ใช้สำหรับการสร้างแบบจำลองความสัมพันธ์ เครื่องมือสนับสนุนการเรียนรู้มี feedforward รัศมีพื้นฐาน และเครือข่ายแบบไดนามิก (MathWorks Inc., 2013a) ผู้ใช้สามารถระบุสถาปัตยกรรม ขั้นตอนวิธีการฝึกอบรม หมายเลขชั้นซ่อน และหมายเลขของโหนในแต่ละชั้นในกล่องเครื่องมือ MATLAB ® MATLAB ®จะแล้วฝึกแบบแอนให้ป้อนข้อมูลและชุดข้อมูลผลลัพธ์ ผู้ใช้สามารถประเมินประสิทธิภาพของรูปแบบความสัมพันธ์ของการพัฒนา โดยการวิเคราะห์การฝึกบันทึกและถดถอยผืนโดย MATLAB ®การพัฒนารูปแบบความสัมพันธ์ อินพุตพารามิเตอร์ถูกแปร predictor 11 ช่วงค่าที่เป็น ข้อจำกัดสำหรับการพัฒนาแบบแอน ช่วงค่าของพารามิเตอร์การป้อนข้อมูลจะแสดงอยู่ในตาราง 3.3 พารามิเตอร์ผลลัพธ์คือ การผลิตน้ำมันหนักสะสมสำหรับกรอบเวลาที่กำหนด การวัดทุกนาทีที่สองระหว่างช่วง 20 นาที ในคำอื่น ๆ วัดการผลิตน้ำมันในช่วงเวลา 2 นาที เช่นที่ 0 นาที 2 นาที 4 นาทีถึง 20 นาทีเป็นต้น รูปแบบให้ผู้ใช้จำนวนจุดข้อมูลที่ 10 การผลิตสะสมของน้ำมันหนักกว่ากรอบเวลา 20 นาที และจุดข้อมูลที่ 10 จะแสดงเป็นเส้นโค้งพล็อตจุดไว้3 ความสัมพันธ์ของรูปแบบ (เรียกว่ารุ่น 1 รุ่น 2 และรุ่น 3) ด้วยหมายเลขที่แตกต่างกันของชั้นซ่อน จำนวนโหนดในชั้นซ่อนและฟังก์ชั่นการฝึกอบรมแตกต่างกันแตกต่างกันมีการฝึกอบรม และทดสอบการใช้เครื่องมือของ MATLAB ® ที่หาข้อผิดพลาดน้อยที่สุดถูกนำมาใช้ในระบบการพยากรณ์อัตโนมัติ สถาปัตยกรรมรุ่นสามจะถูกสรุปในตารางที่ 3.4

ผลลัพธ์ (ไทย) 2:

เครือข่ายประสาทเทียม (ANN) วิธีการเป็นวิธีการคำนวณแรงบันดาลใจจากโครงสร้างและหน้าที่ของสมอง ANN เป็นกลุ่มที่เชื่อมต่อกันของเซลล์ประสาทหรือโหนดจัดเป็นลำดับชั้น เครือข่ายประกอบด้วยการป้อนข้อมูลและการส่งออกชั้นหนึ่งหรือชั้นที่ซ่อนหลาย เมื่อมีการออกแบบเครือข่ายประสาทหนึ่งมีการพิจารณาสถาปัตยกรรมของเครือข่ายการเรียนรู้กฎระเบียบหรือขั้นตอนวิธีการฝึกอบรมจำนวนชั้นที่ซ่อนอยู่จำนวนโหนดในแต่ละชั้นเช่นเดียวกับฟังก์ชั่นการถ่ายโอนในแต่ละชั้น ประโยชน์ของการใช้แอนก็คือว่ามันมีความสามารถในการทำงานร่วมกับข้อมูลที่มีเสียงดังและสามารถแก้ปัญหาที่เกิดขึ้นแม้ในขณะที่ความสัมพันธ์ที่แน่นอนระหว่างตัวแปรเป็นที่รู้จัก (Nakutnyy et al., 2008). วิธี ANN ได้ถูกนำมาใช้ในพื้นที่ที่แตกต่างกันในปิโตรเลียม อุตสาหกรรม Parada และ Ertekin (2012) นำเสนอเครื่องมือที่มีระบบประสาทจำลองสำหรับการคัดกรองโดยใช้วิธีการ EOR ANN รุ่นแอนใช้ในการตรวจคัดกรองของพวกเขาเครื่องมือที่ได้รับการฝึกฝนขึ้นอยู่กับผลการจำลองจำลองจากอ่างเก็บน้ำในเชิงพาณิชย์ของ CMG © เมื่อผู้ใช้มีการระบุเลือกของพวกเขาในหมู่สี่องค์ประกอบไฮโดรคาร์บอนที่แตกต่างกันสี่รูปแบบที่แตกต่างกันและสี่เทคนิค EOR ซึ่งรวมถึงการฉีด CO2 ละลายฉีดไนโตรเจน Waterflooding และการฉีดไอน้ำซึ่งเป็นเครื่องมือที่สามารถคาดการณ์รายละเอียดการผลิตน้ำมันที่คาดว่าจะ การทำงานที่คล้ายกันนอกจากนี้ยังได้นำเสนอใน (El-M Shokir et al., 2002) ซึ่งถือว่ายังมีปัจจัยทางเศรษฐกิจในการเลือกเทคนิค EOR เหมาะสมสำหรับอ่างเก็บน้ำที่กำหนด Surguchev และหลี่ (2000) การพัฒนารูปแบบแอนซึ่งสามารถประเมินระดับการบังคับใช้ (0-1) เทคนิค EOR นอกจากนี้ในการให้ความช่วยเหลือในการตรวจคัดกรอง EOR วิธี ANN ยังได้รับนำไปใช้ในการทำนายที่ดีการแสดง (Ferreira et al., 2012 และ Zhong et al., 2001). รูปแบบความสัมพันธ์ที่ได้รับการพัฒนาโดยใช้เครือข่าย backpropagation ฟีดไปข้างหน้าหลายชั้น . ชุดของตัวอย่างที่มีค่าการส่งออกเป้าหมายได้ให้กับเครือข่ายและเครือข่าย "เรียนรู้" โดยปรับตัวเองน้ำหนักและอคติในการสั่งซื้อที่จะย้ายผลเครือข่ายที่ใกล้ชิดกับเป้าหมายที่กำหนด ในเครือข่ายไปข้างหน้าฟีด, ฟังก์ชั่นการปฏิบัติงานจะได้รับการลดลงจะเป็น Mean Square Error (MSE) ซึ่งมาตรการความแตกต่างระหว่างผลที่คาดการณ์และเป้าหมายที่กำหนด ออกจาก 174 กรณีจำลอง 45 ได้รับการคัดเลือกแบบสุ่มและสงวนไว้สำหรับการทดสอบรูปแบบการพัฒนา; ส่วนที่เหลือของ 174 กรณีที่ถูกนำมาใช้ในการฝึกอบรมรุ่น ANN. MATLAB®ของเครือข่ายประสาทกล่องเครื่องมือ™ (เครื่องหมายการค้าของ MathWorks Inc) ซึ่งสามารถนำมาใช้ในการออกแบบการดำเนินการแสดงผลและการจำลองเครือข่ายประสาทถูกนำมาใช้สำหรับการสร้าง รูปแบบความสัมพันธ์ เครื่องมือสนับสนุนการเรียนรู้ภายใต้การดูแลกับคราทพื้นฐานรัศมีและเครือข่ายแบบไดนามิก (ใน MathWorks อิงค์ 2013a) ผู้ใช้สามารถระบุสถาปัตยกรรมขั้นตอนวิธีการฝึกอบรมจำนวนชั้นซ่อนและจำนวนของโหนดในแต่ละชั้นในกล่องเครื่องมือMATLAB® MATLAB®แล้วจะฝึกรูปแบบแอนด้วยการป้อนข้อมูลให้และชุดข้อมูลออก ผู้ใช้สามารถประเมินผลการทำงานในรูปแบบความสัมพันธ์ที่พัฒนาขึ้นโดยการวิเคราะห์บันทึกการฝึกอบรมและการถดถอยแปลงให้โดยMATLAB®. สำหรับการพัฒนารูปแบบความสัมพันธ์ที่ป้อนพารามิเตอร์เป็นสิบเอ็ดตัวแปรที่มีช่วงค่ากลายเป็นข้อ จำกัด ในการพัฒนารูปแบบการ ANN . ช่วงค่าของพารามิเตอร์ของท่านจะถูกแสดงในตารางที่ 3.3 พารามิเตอร์ที่ส่งออกเป็นที่สะสมการผลิตน้ำมันหนักสำหรับกรอบเวลาที่กำหนดซึ่งเป็นวัดทุกนาทีที่สองในช่วงยี่สิบนาที ในคำอื่น ๆ การผลิตน้ำมันเป็นวัดในช่วงเวลา 2 นาทีเช่นที่ 0 นาที, 2 นาที, 4 นาที ฯลฯ ถึง 20 นาที รูปแบบการให้บริการกับผู้ใช้ทั้งหมดสิบจุดที่ข้อมูลเกี่ยวกับการผลิตสะสมของน้ำมันหนักกว่ากรอบเวลา 20 นาที; และสิบจุดข้อมูลจะปรากฏเป็นเส้นโค้งการพล็อต. ทั้งสามรุ่นความสัมพันธ์ (เรียกว่ารุ่น 1 รุ่น 2 และรุ่น 3) ที่มีตัวเลขที่แตกต่างกันของชั้นซ่อนตัวเลขที่แตกต่างกันของโหนดในชั้นที่ซ่อนอยู่และฟังก์ชั่นการฝึกอบรมที่แตกต่างกันได้รับการฝึกฝนและทดสอบโดยใช้ เครื่องมือMATLAB® หนึ่งที่ให้ผลข้อผิดพลาดขั้นต่ำถูกนำมาใช้ในระบบการทำนายอัตโนมัติ สถาปัตยกรรมของทั้งสามรุ่นมีรายละเอียดในตารางที่ 3.4

ผลลัพธ์ (ไทย) 3:

โครงข่ายประสาทเทียม ( ANN ) วิธีการคือ การคำนวณแบบที่ได้รับแรงบันดาลใจจากโครงสร้างและหน้าที่ของสมอง เป็นแอน คือ กลุ่มที่เชื่อมโยงประสาทหรือโหนดจัดเป็นลำดับของชั้น เครือข่ายที่ประกอบด้วยชั้นอินพุตและเอาต์พุตและหนึ่งหรือหลายชั้นซ่อน เมื่อออกแบบเครือข่ายประสาท , หนึ่งมีการพิจารณาสถาปัตยกรรมของเครือข่ายการเรียนรู้กฎหรือวิธีการฝึกอบรม จำนวนชั้นซ่อนจำนวนโหนดในแต่ละชั้น ตลอดจนฟังก์ชันถ่ายโอนในแต่ละชั้น ประโยชน์ของการใช้ แอน คือว่า มันสามารถทำงานกับข้อมูลที่มีเสียงดังและสามารถแก้ไขปัญหา แม้ว่าความสัมพันธ์ระหว่างตัวแปรที่ไม่ทราบชื่อ ( nakutnyy et al . , 2008 ) .

โดย แอน ได้ถูกนำมาใช้ในพื้นที่ที่แตกต่างกันในอุตสาหกรรมปิโตรเลียม ภารดา และ ertekin ( 2012 ) นำเสนอประสาทจำลองเครื่องมือสำหรับการตรวจคัดกรอง EOR ใช้แอน การใช้เครื่องมือคัดกรองแอน รูปแบบของการฝึกอบรมขึ้นอยู่กับผลการทดสอบจากอ่างเก็บน้ำเชิงจำลองของ CMG สงวนลิขสิทธิ์ .เมื่อผู้ใช้ได้ระบุทางเลือกที่แตกต่างกันสี่องค์ประกอบของไฮโดรคาร์บอน สี่ต่างคือรูปแบบและสี่เทคนิค EOR ซึ่งรวมถึงการฉีดได้ฉีดคาร์บอนไดออกไซด์ ไนโตรเจน และไอน้ำ waterflooding ฉีด , เครื่องมือที่สามารถพยากรณ์คาดว่าการผลิตน้ํามันข้อมูล ทำงานที่คล้ายกันยังนำเสนอใน ( el-m shokir et al . , 2002 )ซึ่งยังถือเป็นปัจจัยทางเศรษฐกิจในการเลือกเทคนิค EOR เหมาะกับอ่างเก็บน้ำ surguchev และ Li ( 2543 ) ได้พัฒนาแบบจำลอง ANN ซึ่งสามารถประเมินระดับความเกี่ยวข้อง ( 0 - 1 ) ของเทคนิค EOR . นอกจากจะช่วยในการคัดกรอง EOR , วิธีที่แอนยังถูกใช้เพื่อทำนายสมรรถนะดี ( Ferreira et al . , 2012 และจง et al . , 2001 ) .

ความสัมพันธ์รูปแบบถูกพัฒนาโดยใช้วิธีการ feed-forward แบบเครือข่าย ชุดของตัวอย่างกับผลผลิตเป้าหมายค่านิยมให้กับเครือข่ายและเครือข่าย " เรียนรู้ " โดยการปรับน้ำหนัก และอคติในการย้ายเครือข่าย ซึ่งใกล้ชิดกับเป้าหมายที่ได้รับ ในฟีดส่งเครือข่ายประสิทธิภาพการทำงานจะลดลงเป็นปกติ Mean Square Error ( MSE ) ซึ่งมาตรการความแตกต่างระหว่างคาดการณ์ผลผลิตและกำหนดเป้าหมาย จาก 174 ) กรณี 45 ถูกเลือกแบบสุ่มและสงวนไว้สำหรับการทดสอบแบบจำลอง ; ส่วนที่เหลือของ 174 ราย ถูกใช้เพื่อการฝึก

แอนรุ่นเป็นโปรแกรมสำหรับ®ประสาทเครือข่าย™ ( เครื่องหมายการค้าของแมธเวิร์คส์ อิงค์ ซึ่งสามารถใช้สำหรับการออกแบบและการ สร้างภาพจำลองโครงข่ายประสาทเทียมถูกใช้เพื่อสร้างค่าแบบ เครื่องมือสนับสนุนการเรียนรู้แบบ Supervised Learning กับไปข้างหน้า พื้นฐานรัศมีและเครือข่ายแบบไดนามิก ( แมธเวิร์คส์ อิงค์ ที่มีมากกว่า ) ผู้ใช้สามารถระบุสถาปัตยกรรมเพื่อการฝึกอบรมจำนวนชั้นซ่อนและจำนวนโหนดในแต่ละเลเยอร์ใน Matlab ®กล่องเครื่องมือ โปรแกรม®จะฝึกแบบแอนกับให้ข้อมูลและชุดข้อมูลเอาท์พุท ผู้ใช้สามารถประเมินประสิทธิภาพของการพัฒนาความสัมพันธ์แบบวิเคราะห์การบันทึกและการแปลงโดยโปรแกรม®

เพื่อพัฒนาความสัมพันธ์แบบการป้อนพารามิเตอร์เป็นสิบเอ็ดทำนายตัวแปรที่มีค่าช่วงกลายเป็นข้อจำกัดในการพัฒนารูปแบบ แอน ค่าช่วงของพารามิเตอร์ที่ป้อนเข้าจะแสดงในตาราง 3.3 . การแสดงผลเป็นค่าสะสมหนักการผลิตน้ำมันให้กรอบเวลาซึ่งเป็นวัดทุกสองนาทีในช่วงยี่สิบนาที ในคำอื่น ๆการผลิตน้ำมันวัดได้ในช่วง 2 นาที คือในนาที , 2 นาที , 4 นาที ฯลฯ ถึง 20 นาที รูปแบบให้กับผู้ใช้ทั้งหมดของจุดข้อมูลสิบบนสะสมการผลิตน้ำมันหนักกว่ากรอบเวลา 20 นาที และข้อมูลสิบคะแนนจะแสดงเป็นจุดโค้ง

) รุ่น 3 ( เรียกว่ารุ่น 1 รุ่น 2 และรุ่นที่ 3 ) มีตัวเลขที่แตกต่างกันของชั้นซ่อนที่แตกต่างกันจำนวนของโหนดในชั้นซ่อน และหน้าที่แตกต่างกัน อบรม ฝึก และทดสอบการใช้โปรแกรม MATLAB ®เครื่องมือ ที่หาข้อผิดพลาดน้อยที่สุดคือนำมาใช้ในการพยากรณ์อัตโนมัติระบบ การดำเนินงานของทั้งสามรุ่น สรุปตารางที่ 3.4 .