تعیین سرعت موج برشی بر اساس رگرسیون بردار پشتیبان

ترجمه مقاله تعیین سرعت موج برشی بر اساس رگرسیون بردار پشتیبان

ترجمه مقاله Support vector regression based determination of shear wave velocity

در این پست ترجمه مقاله تعیین سرعت موج برشی بر اساس رگرسیون بردار پشتیبان را برای شما هنر جویان عزیز آماده کردیم امیدواریم از این مطالب اندک بتوانید نتیجه خوبی حاصل نمایید.

چکیده تعیین سرعت موج برشی بر اساس رگرسیون بردار پشتیبان :

سرعت موج برشی به همراه سرعت موج فشاری در یک منبع اطلاعات با ارزش برای مطالعات ژئوفیزیک و ژئومکانیک توسعه یافتند. اگر چه اندازه گیری سرعت موج فشاری تقریباً در همه چاه ها وجود دارد اما سرعت موج برشی در بیشتر چاه های قدیمی به دلیل کمبود ابزارهای فن آوری در آن روزها و عدم توانایی ابزارهای اخیر ثبت و ضبط نمی شود. علاوه بر این اندازه گیری های سرعت موج برشی هزینه بر است. این مطالعه یک روش شناسایی جدید در حذف مشکلات فوق الذکر با استفاده از ابزار رگرسیون بردار پشتیابی ارائه می دهد.

رگرسیون بردار پشتیبانی (SVR) یک الگوریتم یادگیری با ناظر متنی بر تئوری یادگیری آماری (SLT) است. در این مطالعه از آن برای فرموله کردن داده های ثبتی چاه های معمولی در سرعت موج برشی به شیوه ای سریع، ارزان و با دقت استفاده می شود.

توضیحات بیشتر در مورد ترجمه مقاله تعیین سرعت موج برشی بر اساس رگرسیون بردار پشتیبان و دانلود رایگان مقاله اصلی لطفا به ادامه مطلب مراجعه نمائید.

مقدمه تعیین سرعت موج برشی بر اساس رگرسیون بردار پشتیبان :

اندازه گیری صوتی در چاه هیدروکربن اطلاعات با ارزش برای مکانیک سنگ و مطالعات ژئوفیزیک فراهم می کند. سرعت موج فشاری به راحتی ضبط می شود و در همه چاه ها در دسترس است. هر چند اندازه گیری های سرعت موج برشی بسیار پیچیده تر است و این محاسبات در چاه های قدیمی که آن روزها دچار کمبود ابزار تکنولوژی بودند، موجود نیست. اجرای ابزار های اخیر در چاه های قدیمی به علت اتمام لوله گذاری های متداول، قابل استفاده نیست. در نتیجه یک فرمول کمّی بین لاگ های چاه های معمولی و سرعت موج برشی، مشکلات ذکر شده را از بین می برد و مطالعات ژئوفیزیکی و ژئومکانیکی را ممکن می سازد.

چکیده انگلیسی تعیین سرعت موج برشی بر اساس رگرسیون بردار پشتیبان :

Shear wave velocity in the company of compressional wave velocity add up to an invaluable source of information for geomechanical and geophysical studies. Although compressional wave velocity measurements exist in almost all wells, shear wave velocity is not recorded for most of elderly wells due to lack of technologic tools in those days and incapability of recent tools in cased holes. Furthermore, measurement of shear wave velocity is to some extent costly.

This study proposes a novel methodology to remove aforementioned problems by use of support vector regression tool originally invented by Vapnik and his co-workers (1995).Support vector regression (SVR) is a supervised learning algorithm plant based on statistical learning (SLT) theory. It is used in this study to formulate conventional well log data into shear wave velocity in a quick, cheap, and accurate manner.

SVR is preferred for model construction because it utilizes structural risk minimization (SRM) principle which is superior to empirical risk minimization (ERM) theory, used in traditional learning algorithms such as neural networks. A group of 2879 data points was used for model construction and 1176 data points were employed for assessment of SVR model.

A comparison between measured and SVR predicted data showed SVR was Downloaded from http://iranpaper.ir capable of accurately extract shear wave velocity, hidden in conventional well log data. Finally a comparison among SVR, neural network, and four well-known empirical correlations demonstrated SVR model outperformed other methods. This strategy was successfully applied in one of carbonate reservoir rocks of Iran Gas-Fields.

منبع : sciencedirect.com