كاربرد شبكه هاي عصبي مصنوعي در مهندسي نفت

تصور كنيد شما به عنوان يك مهندس نفت بر روي اندازه گيري ميزان نفوذ پذيري (Permeability) سنگ هاي محازن نفتي كار مي كنيد. فرض كنيد كه اطلاعاتي از قبيل اخلخل ، جنس دانه ، نوع سيال پر كننده حفرات ، محيط رسوبي و فشار منفذي را در مورد چند نمونه سنگ مخزن كه توسط مغزه گيري (Coring) به ديت آمده است در اختيار داريد. از طرفي ميزان نفوذ پذيري اين چند نمونه را هم به روش آزمايشگاهي محاسبه كرده ايد. حال شما اين اطلاعات و ميزان نفوذ پذيري را به يك برنامه كامپيوتري مي دهيد. شما هيچ اطلاعي در مورد نحوه تاثير اين اطلاعات ( پارامتر ها ) بر مقدار نفوذ ژذيري سنگ مخزن نداريد. برنامه مذكور مدتي فكر مي كند ، داده هاي سيستم شما را تجزيه وتحليل مي كند ، روابط پيچيده لين پارامتر ها را يافته و مدل رياضي آنها را مي سازد ، به طوري كه شما مي توانيد از اين به بعد اطلاعات مربوط به يك نمونه سمگ جديد را به برنامه داده و برنامه به راحتي ميزان نفوذ پذيري آن را به شما بدهد. اين عمل ، اساس كار شبكه هاي عصبي مصنوعي (Artificial Neural Network=ANN) است.

شبكه هاي عصبي مصنوعي در واقع از ساختار پيچيده مغز پستانداران الهام گرفته شده اند كه در آنها ميليون ها يلول عصبي از طريق ارتباطاتي كه با يكديگر دارند به حل مسايل يا ذخيره سازي اطلاعات مي پردازند.

وظيفه شبكه هاي عصبي سادگيري است ، تقريباً چيزي شبيه يادگيري يك كودك خردسال. در اين شبكه ها يادگيري از طريق كسب تجربه به كمك مثال انجام مي شود. بدين معنا كه اغلب ( و نه همواره ) مجموعه اي از ورودي ها و خروجي هاي درست به شبكه عصبي داده ني شود . شبكه عصبي با استفاده از اين مثال ها مدل رياضي پيچيده اي مي سازد كه در صورت دادن ورردي هاي جديد ، پاسهخ هاي درستي را توليد مي كند.