شبکه های عصبی

شبکه های عصبی

در طی سالهای اخیر شاهد حرکتی مستمر به منظور حل مسائلی که برای آنها را حلی موجود نیست و یا اینکه براحتی قابل حل نیستند بوده ایم. بنابراین ، علاقه مبرمی در توسعه سیستمهای هوشمند مدل آزاد که مبتنی بر داده های تجربی هستند ایجاد شده است. شبکه عصبی مصنوعی جزء این دسته از سیستمهای دینامیکی هستند که با پردازش روی داده های تجربی ، دانش یا قانون نهفته در ورای داده ها را به ساختار شبکه منتقل می کنند. به همین خاطر به این سیتم ها هوشمند گویند، چرا که براساس محاسباتی روی داده های عددی قوانین کلی را فرا می گیرندساختار شبکه هاي عصبی

ساختار کلی شبکه های عصبی مصنوعی برای اهداف مختلف مهندسی نفت تقریباً یکسان است و بسته به تعداد داده های ورودی و خروجی خواسته شده، ساختار کلی آنها توسط تعداد لایه ها و سلولهای آنها تعیین می شود، ولی بطور کلی با یک نگاه سریع به مجموعه تحقیقات انجام گرفته در این زمینه متوجه می شویم که بیشتر آنها از شبکه های چند لایه پیش خور¹ با قانون یادگیری پس انتشار خطا استفاده کرده اند.

کیفیت اجرای شبکه عصبی (اغلب تعمیم ² نامیده شده است) در طی تست کردن بستگی به کیفیت داده های جمع آوری شده در طی لاگینگ دارد. در صنعت نفت ، دقت وسایل اندازه گیری و تخصص های کسی که داده های لاگ را آنالیز و تفسیر می کند، نقش قاطعی در تعیین کردن کیفیت الگوهای آموزشی ایجاد شده برای آموزش شبکه عصبی بازی می کند. آماده کردن الگوهای ورودی و خروجی

قبل از اینکه داده های آموزشی به شبکه داده شوند باید آنها را بصورت تصادفی انتاب کرد. چندین روش برای استخراج الگوهای آموزشی وجود دارد، یکی از آنها استفاده از یک متخصص برای انتخاب الگجوهای آموزشی بطور دستی است . بخاطر رنج دینامیکی نرونها، داده های ورودی باید برای داشتن مقادیر بین صفر و یک نرمالیزه شوند، همچنین باید داده هایی را که خارج از رنج کالییر مثبت قرار دارند حذف نمود.

کاهش داده ها در بیشتر مواقع بخاطر کوچک شدن شبکه نیاز است، چرا که هر چقدر شبکه با تعداد لایه ها و نرونهای کمتری طراحی شود و در صرف هزینه و زمان صرفه جویی بیشتری می شود. معمولا هر چقدر ابعاد ماتریس ورودی افزایش یابد به شبکه بزرگتری برای آموزش نیاز است. بطور کلی هر چقدر تعداد پارامترهای ورودی افزایش یابد،

مقیاس گذاری داده ها یک مرحله ضروری برای آموزش شبکه است. مقیاس گذاری داده ها در رنج ] 1+و1-[ بطور بسیار زیادی سرعت یادگیری را افزایش می دهد. یکی از دلایل اصلی برای پیش پردازش داده های خروجی آنست که معمولاً تابع تبدیل سیگمونیدی ³ درون شبکه عصبی استفاده شده است]5[ .

بخاطر اینکه الگوریتم پس انتشار خطا یک الگوریتم با ناظر ¹ است ، تعلیم اهداف باید در طی فاز آموزش انجام گرفته باشد. تعداد نرونهای لایه خروجی برابر با تعداد خروجی های خواسته شده است.

طراحی و توسعه شبکه

طذاحی یک شبکه عصبی مصنوعی برای مهندسی اکتشاف نفت شامل تعیین کردن یک سیستمی است که بتواند داده های ورودی، که بیشتر شامل نمودارهای چاهی و داده های ویژه گیهای لرزه نگاری است را گرفته و خروجی ها را که بیشتر منظور ما شامل نفوذپذیری، تخلخل، لیتولوژی و بعبارتی پارامترهای مهم مخزنی در توسعه یک میدان نفتی هستند را پیش بینی کند . کاری را که اکنون شبکه های عصبی در کمک به مهندسین نفت انجام می دهند، در واقع ارتباط دادن بین متغیرهایی است که هیچ کدام از روشهای مرسوم و آماری و معادلات پیچیده ریاضی بخوبی قادر به انجام آن نیستند. در واقع در دنیای پیچیده روابط غیر خطی شبکه های عصبی مصنوعی گام بزرگی در کمک به مهنسین نفت و مفسرین نمودارهای چاهی نهاده اند