اطلاعیه:

با توجه به اخبار فرانفت و به گزارش خبرگزاری مهر به نقل از وزارت نفت، بر اساس اعلام معاونت توسعه مدیریت و سرمایه انسانی وزارت نفت، شرکت‌های تابع وزارت نفت به‌منظور تأمین نیروی انسانی متعهد، شایسته و توانمند در مقاطع کاردانی، کارشناسی و کارشناسی ارشد و رشته‌های تحصیلی مختلف برای خدمت در بخش‌های زیرمجموعه، از محل مجوز استخدامی شماره ۸۰۲۹۶ مورخ ۱۲/ ۱۰/ ۱۴۰۱ سازمان اداری استخدامی کشور، با برگزاری آزمون کتبی، مصاحبه فنی - تخصصی و روان‌شناختی و پس از طی تشریفات استخدامی (گزینش، طب صنعتی و…) اقدام به استخدام می‌کنند.

بر این اساس از تمامی فارغ‌التحصیلان واجد شرایط دعوت می‌شود برای کسب اطلاعات بیشتر درباره شرایط عمومی و اختصاصی شرکت در آزمون، رشته‌ها و گرایش‌های تحصیلی مورد نیاز، محل‌های خدمتی و دیگر جزئیات مربوطه از تاریخ ۱۴ اسفندماه به پایگاه اطلاع‌رسانی سازمان سنجش مراجعه و پس از دریافت دفترچه راهنمای ثبت‌نام بارگذاری شده در سایت و مطالعه کامل و دقیق آن، در صورت تمایل و داشتن شرایط لازم از تاریخ ۱۵ تا ۲۴ اسفندماه در سایت www.sanjesh.org نسبت به ثبت‌نام در آزمون اقدام کنند.

با آرزوی موفقیت برای داوطلبان گرامی/

فرانفت

نفت شِیل نفت نامتعارفی است که از گرماکافت، هیدروژنه‌کردن، و انحلال گرمایی خرده‌های سنگ نفت‌زا (شِیل نفتی) به دست می‌آید. این فرایندها مواد آلی درون سنگ (کروژن) را به نفت و گاز مصنوعی تبدیل می‌کنند. از نفت حاصله می‌توان بلافاصله به عنوان سوخت استفاده کرد یا با افزودن هیدروژن و زدودن ناخالصی‌ها چون سولفور و نیتروژن، ارتقائش داد تا به عنوان مادهٔ اولیه وارد پالایشگاه شود. محصولات پالایش‌شده را می‌توان در همان مصارفی به کار برد که محصولات پالایش‌شدهٔ نفت خام به کار می‌روند.

واژه Shale oil کمی ابهام دارد و گاه به نوع‌های دیگر نفت به دست آمده از منابع دیگر نیز گفته می‌شود که آژانس بین‌المللی انرژی tight oil و light tight oil را برای آنها پیشنهاد می‌کند.

منابع نفت شیل (سنگ نفت یا سنگ نفت‌زا) در پهنه وسیعی از طبیعت از آب‌های شیرین تا دریاچه‌های نمکی و باتلاق‌های رسوبی یافت می‌شود که بین دوره‌های کامبرین و ترشیاری شکل گرفته‌اند.

بیشتر منابع نفت شیل در ایالت کلرادو ایالات متحده آمریکا واقع شده، که دارای منابعی بالغ بر ۳٫۳ تریلیون تن است.

جهت مطالعه بیشتر در این زمینه لطفا فایل زیر را دانلود نمایید.

فرانفت

زمین شناسی نفت از منابع اصلی رشته های مهندسی نفت، مهندسی اکتشاف، زمین شناسی و… است. آموزش زمین شناسی نفت به گونه ای تالیف شده است تا منبع مناسبی برای دانشجویان و داوطلبان باشد. در هر درس مفاهیم به صورت کامل با مثال ها و نکات متعدد توضیح داده شده است. در قسمت اول آموزش، اصول اساسی و تعاریف مقدماتی زمین شناسی نفت به طریقی بیان شده که خوانندگان رشته های مختلف در ابتدا مفاهیم کلیدی را درک کنند، در ادامه تکنیک ها و مثال هایی از مطالعات انجام شده برای درک بهتر موضوع معرفی می شوند.

آموزش زمین شناسی نفت به گونه ای تالیف شده است تا منبع بسیار مناسبی برای دانشجویان و داوطلبان باشد. در هر درس مفاهیم به صورت کامل با مثال ها و نکات متعدد توضیح داده شده است. در ابتدای هر آموزش، اصول اساسی و تعاریف مقدماتی زمین شناسی نفت به طریقی بیان شده که خوانندگان رشته های مختلف در ابتدا مفاهیم کلیدی را درک کنند، در ادامه تکنیک ها و مثال هایی از مطالعات انجام شده برای درک بهتر موضوع معرفی می شوند و همچنین به منظور یادگیری هرچه بیشتر و بهتر درس نامه ها، درپایان هر درس، تست های مربوط به سوالات آزمون های کارشناسی ارشد و دکتری تخصصی، مرتبط با درس نامه های طبقه بندی شده آورده شده است.

آموزش زمین شناسی نفت به گونه ای تالیف شده است تا منبع بسیار مناسبی برای دانشجویان و داوطلبان باشد. در هر درس مفاهیم به صورت کامل با مثال ها و نکات متعدد توضیح داده شده است. در ابتدای هر آموزش، اصول اساسی و تعاریف مقدماتی زمین شناسی نفت به طریقی بیان شده که خوانندگان رشته های مختلف در ابتدا مفاهیم کلیدی را درک کنند، در ادامه تکنیک ها و مثال هایی از مطالعات انجام شده برای درک بهتر موضوع معرفی می شوند و همچنین به منظور یادگیری هرچه بیشتر و بهتر درس نامه ها، درپایان هر درس، تست های مربوط به سوالات آزمون های کارشناسی ارشد و دکتری تخصصی، مرتبط با درس نامه های طبقه بندی شده آورده شده است.

شبکه‌های عصبی مصنوعی  (Artificial Neural Networks - ANN) یا به زبان ساده‌تر شبکه‌های عصبی سیستم‌ها و روش‌های محاسباتی نوین برای یادگیری ماشینی، نمایش دانش و در انتها اعمال دانش به دست آمده در جهت بیش‌بینی پاسخ‌های خروجی از سامانه‌های پیچیده هستند. ایدهٔ اصلی این گونه شبکه‌ها تا حدودی الهام‌گرفته از شیوهٔ کارکرد سیستم عصبی زیستی برای پردازش داده‌ها و اطلاعات به منظور یادگیری و ایجاد دانش میباشد. عنصر کلیدی این ایده، ایجاد ساختارهایی جدید برای سامانهٔ پردازش اطلاعات است. 

این سیستم از شمار زیادی عناصر پردازشی فوق‌العاده بهم‌پیوسته با نام نورون تشکیل شده که برای حل یک مسئله با هم هماهنگ عمل می‌کنند و توسط سیناپس‌ها (ارتباطات الکترومغناطیسی) اطلاعات را منتقل می‌کنند. در این شبکه‌ها اگر یک سلول آسیب ببیند بقیه سلول‌ها می‌توانند نبود آن را جبران کرده، و نیز در بازسازی آن سهیم باشند. این شبکه‌ها قادر به یادگیری‌اند. مثلاً با اعمال سوزش به سلول‌های عصبی لامسه، سلول‌ها یادمی‌گیرند که به طرف جسم داغ نروند و با این الگوریتم سیستم می‌آموزد که خطای خود را اصلاح کند. یادگیری در این سیستم‌ها به صورت تطبیقی صورت می‌گیرد، یعنی با استفاده از مثال‌ها وزن سیناپس‌ها به گونه‌ای تغییر می‌کند که در صورت دادن ورودی‌های جدید، سیستم پاسخ درستی تولید کند.

یک شبکه عصبی مصنوعی، از سه لایهٔ ورودی، خروجی و پردازش تشکیل می‌شود. هر لایه شامل گروهی از سلول‌های عصبی (نورون) است که عموماً با کلیهٔ نورون‌های لایه‌های دیگر در ارتباط هستند، مگر این که کاربر ارتباط بین نورون‌ها را محدود کند؛ ولی نورون‌های هر لایه با سایر نورون‌های همان لایه، ارتباطی ندارند.

نورون کوچک‌ترین واحد پردازشگر اطلاعات است که اساس عملکرد شبکه‌های عصبی را تشکیل می‌دهد. یک شبکهٔ عصبی مجموعه‌ای از نورون‌هاست که با قرار گرفتن در لایه‌های مختلف، معماری خاصی را بر مبنای ارتباطات بین نورون‌ها در لایه‌های مختلف تشکیل می‌دهند. نورون می‌تواند یک تابع ریاضی غیرخطی باشد، در نتیجه یک شبکهٔ عصبی که از اجتماع این نورون‌ها تشکیل می‌شود، نیز می‌تواند یک سامانهٔ کاملاً پیچیده و غیرخطی باشد. در شبکهٔ عصبی هر نورون به‌طور مستقل عمل می‌کند و رفتار کلی شبکه، برآیند رفتار نورون‌های متعدد است. به عبارت دیگر، نورون‌ها در یک روند همکاری، یکدیگر را تصحیح می‌کنند.

یک شبکه عصبی مصنوعی، از سه لایهٔ ورودی، خروجی و پردازش تشکیل می‌شود. هر لایه شامل گروهی از سلول‌های عصبی (نورون) است که عموماً با کلیهٔ نورون‌های لایه‌های دیگر در ارتباط هستند، مگر این که کاربر ارتباط بین نورون‌ها را محدود کند؛ ولی نورون‌های هر لایه با سایر نورون‌های همان لایه، ارتباطی ندارند.

نورون کوچک‌ترین واحد پردازشگر اطلاعات است که اساس عملکرد شبکه‌های عصبی را تشکیل می‌دهد. یک شبکهٔ عصبی مجموعه‌ای از نورون‌هاست که با قرار گرفتن در لایه‌های مختلف، معماری خاصی را بر مبنای ارتباطات بین نورون‌ها در لایه‌های مختلف تشکیل می‌دهند. نورون می‌تواند یک تابع ریاضی غیرخطی باشد، در نتیجه یک شبکهٔ عصبی که از اجتماع این نورون‌ها تشکیل می‌شود، نیز می‌تواند یک سامانهٔ کاملاً پیچیده و غیرخطی باشد. در شبکهٔ عصبی هر نورون به‌طور مستقل عمل می‌کند و رفتار کلی شبکه، برآیند رفتار نورون‌های متعدد است. به عبارت دیگر، نورون‌ها در یک روند همکاری، یکدیگر را تصحیح می‌کنند.

خط تراز یا خط کانتوری (به انگلیسی: contour line) تابعی دو متغیرهٔ منحنی شکل است که نتیجهٔ تابع مقداری ثابت‌است.^[۱] در نقشه‌نگاری معمولاً خط تراز را برای نقاطی که دارای ارتفاع مساوی از سطح پیش‌فرض که معمولاً سطح آب‌های آزاد است، در نظر می‌گیرند و به اختصار به آن کانتور می‌گویند.

نمودار کانتوری (به انگلیسی: Contour plot)به عنوان یک نمایش گرافیکی از روابط بین سه متغیر عددی در دو بعد استفاده می‌شود. دو متغیر برای محور X و Y و متغیر سوم Z، برای سطوح کانتور می‌باشد. سطوح کانتور به صورت منحنی رسم می‌شود و نواحی بین منحنی‌ها که مقادیر درون‌یابی هستند را می‌توان به صورت غیر رنگی یا رنگ‌بندی‌های مشخص نمایش داد.

اغلب اوقات خطوط کانتوری دارای نام مشخصی هستند که با واژهٔ "هم" (برابر واژهٔ "iso-" به معنای "برابر") آغاز می‌شود، مانند خط هم‌باران، هم‌فشار، هم‌فشار و... . این نام‌ها بیشتر در هواشناسی رایج است که ممکن‌است چندین نقشه با متغیرهای گوناگون با هم دیده شوند.

منحنی میزان یا منحنی تراز، در یک نقشهٔ توپوگرافی منحنی است که همهٔ نقاط هم‌ارتفاع زمین را به هم وصل می‌کند. منحنی‌های میزان همدیگر را قطع نمی‌کند و کوچکترین محیط بسته در این نقشه‌ها، بلندترین نقطه یا پایین‌ترین نقطه می‌باشد.

خط‌های کانتوری هم‌ارتفاع یکی از راه‌های نمایش ارتفاع از سطح دریا یا ارتفاع (فرازا) و ژرفا بر روی نقشه هستند. با استفاده از این خطوط ناهمواری‌ها قابل تشخیص هستند. نقشه توپوگرافی جزو این مجموعهٔ نقشه‌ها است که نمایش‌دهندهٔ دره‌ها و کوه‌ها و شیب زمین‌است و درجهٔ شیب زمین در نقاط مختلف را مشخص می‌نماید.

 فاصلهٔ خطوط کانتور در نقاط متوالی ممکن‌است متفاوت باشد و به کمک همین فاصلهٔ کانتورها می‌توان مکان‌هایی را که شیب بیشتر یا کمتر دارند را تشخیص داد. زمانی که فاصله‌های خطوط کانتوری با یک‌دیگر کمتر باشند شیب زمین در آن نقطه تندتر است و زمانی که فاصله بیشتر باشد نشان‌دهندهٔ شیب کمتر زمین‌است.

ذرات تشکیل دهنده این سنگها در اثر تخریب سنگهای مناطق قاره‌ای بوجود آمده‌اند و توسط رودخانه‌ها به درون حوضه رسوبی حمل شده و رسوب کرده‌اند. این سنگها را بر اساس اندازه ذرات تشکیل دهنده آنها به سه دسته سنگهای دانه ریز یا گل سنگها ، دانه متوسط یا ماسه سنگها و دانه درست یا کنگرومراها و برشهای رسوبی تقسیم می‌کنند.

سنگهای آواری دانه ریز یا گل سنگها

• اندازه ذرات تشکیل دهنده این دسته از سنگهای رسوبی کمتر از ماسه و در حد سیلیت و رس (ریزتر از 0.0625 میلیمتر) است. بطور کلی این دسته از سنگهای رسوبی بر اساس اندازه ذرات و قابلیت تورق آنها نامگذاری می‌شوند. قابلیت تورق یکی از خصوصیات محیط رسوبی است که نشاندهنده عدم فعالیتهای موجودات زنده کف‌زی در هنگام رسوبگذاری می‌باشد. زیرا اگر موجودات زنده دارای فعالیت باشند باعث به هم ریختگی طبقات می‌گردند.
• چنانچه بیش از 3/2 ذرات تشکیل دهنده سنگ در اندازه سیلیت باشد در صورت نبودن تورق ، سنگ را سیلتستون (Siltstone) نامیده و در صورت وجود تورق ، شیل سیلتی (silt - shale) می‌نامند. اگر ذرات سیلیت بیشتر از 3/1 ولی کمتر از 3/2 ذرات تشکیل دهنده سنگ را درست کند و بقیه ذرات در انداره رس باشد، در صورت نبود تورق سنگ را گل سنگ (mudstone) و در صورت وجود تورق آنرا شیل گل(mud - shale) می‌نامند.
• اگر مقدار سیلیت در سنگ کمتر از 3/1 ذرات تشکیل دهنده سنگ و بیشتر از رس باشد، در صورت دارا بودن تورق ، سنگ را شیل رسی (cldy-shale) نامیده و در صورت نبود تورق آنرا رس سنگ (clay stone) می‌نامند. بطور کلی واژه گل سنگ زمانی بکار برده می‌شود که میزان رس و سیلیت در سنگ تقریبا به یک اندازه باشد. همچنین گل سنگ واژه عمومی است که در هنگام طبقه‌بندی سنگهای آواری دانه ریز برای تمامی سنگهایی که اندازه آنها ریزتر از ماسه باشد نیز بکار برده می‌شود.

سنگهای آواری دانه متوسط یا ماسه سنگها

اندازه ذرات تشکیل دهنده این دسته از سنگهای رسوبی در حد ماسه (بین 0.0625 تا 2 میلیمتر) بوده و بدین جهت آنها را ماسه سنگ می‌نامند. ماسه سنگها به دو دلیل توصیفی و یا ژنتیکی نامگذاری می‌شوند. نامگذاری توصیفی بر اساس کانیهای تشکیل دهنده و بافت سنگ می‌باشد. ولی تقسیم‌بندی ژنتیکی بر اساس محیط رسوبی ، که سنگ در آن تشکیل شده استT می‌باشد.
چون طبقه‌بندی ماسه سنگها بیشتر بر اساس کانیهای تشکیل دهنده سنگ است. فراوانی کانیهای موجود در سنگ به سه عامل فراوانی ، پایداری مکانیکی و ثبات شیمیایی بستگی دارد.

فراوانی(availbility)

بدین معنی است که کانیهای تشکیل دهنده سنگ باید به حد کافی در منشا وجود داشته باشد. نامگذاری و تقسیم‌بندی سنگ بر اساس فراوانی کانیها و ذرات تشکیل دهنده سنگ می‌باشد.

پایداری مکانیکی

عبارت از مقاومت سنگها در برابر هوازدگی است. برای این منظور باید کانیها فاقد رخ بوده و از سختی زیادی برخوردار باشند. زیرا در مدت تخریب طولانی ذراتی که نرم بوده و دارای رخ باشند از بین می‌روند. بنابراین باید ذرات تشکیل دهنده سنگ از پایداری مکانیکی زیادی برخوردار باشند تا از بین نروند.

ثبات شیمیایی

عبارت از مقاومت شیمیایی کانیها در برابر تجزیه است. کانیهایی که در سنگهای آذرین در مرحله آخر متبلور شده‌اند در مقابل عمل هوازدگی شیمیایی از ثبات شیمیایی بیشتری برخوردار هستند. زیرا در محیطهای سردتر و دارای آب بیشتر تشکیل شده‌اند و شرایط تشکیل آنها مشابه سطح زمین می‌باشد. طبق این اصل کوارتز دارای ثبوت شیمیایی بیشتری می‌باشد، چون آخرین کانی متبلور شده می‌باشد.

طبقه‌بندی ماسه سنگ بوسیله فولک

طبقه‌بندی ماسه سنگ توسط فولک بر اساس کانیهای کوارتز ، فلدسپات و خرده سنگها می‌باشد در این طبقه‌بندی که بر اساس کانیهای اصلی می‌باشد، درصد ماتریکس ، سیمان شیمیایی ، گلاگونیک و ... در نظر گرفته نمی‌شود. برای نامگذاری سنگها در این روش باید مقدار کانیهای اصلی ذکر شده در سنگ را تعیین کرده و آنها را به درصد تبدیل نمود و بر اساس درصد ذرات بدست آمده سنگ را نامگذاری کرد. فولک ماسه سنگها را به هفت گروه کوارتز آرنایت ، ساب آرکوز ، ساب لیتارنایت ، لیتارنایت ، لیتیک آرکوز و فلدسپاتیک لیتارنایت تقسیم می‌شوند. البته بر حسب نوع خرده سنگها نیز تقسیم‌بندیهای جزئی تری دارند.

طبقه‌بندی ماسه سنگها توسط پتی جان

در این طبقه‌بندی بافت سنگها نیز در نظر گرفته شده است و بر اساس ماسه سنگها به دو گروه تقسیم می‌شوند گروه اول آنهایی هستند که بیشتر از ذرات ماسه‌ای تشکیل شده‌اند و کمتر از 15% ماتریکس دارند و گروه دوم ماسه سنگهای کثیف نامیده می‌شوند و ماتریکس آنها بیش از 15% می‌باشد.

در واقع در این نوع تقسیم‌بندی بر اساس بافت و همچنین جنس ذرات تشکیل دهنده سنگ را تقسیم می‌کنند و سنگهایی که ماتریکس آنها کمتر از 15% می‌باشند شامل: کوارتز آرنایت ، ساب آرکوز ، ساب لیتارنایت ، آرکوز ، آرکوز آرنایت و لیتیک آرنایت می‌باشد و سنگهایی که ماتریکس آنها بیشتر از 15% می‌باشد عبارتند از کوارتز وک ، آرکونیک وک ، فلدسپات گری وک و لیتیک گری وک. اگر درصد ماتریکس سنگ بیش از 75% باشد مادستون‌ها را بوجود می‌آورد.

سنگهای آواری دانه درشت

سنگهای دانه درشت آواری از به هم چسبیدن ذرات در اندازه گراول تشکیل می‌شوند بر اساس درجه گردشدگی ذرات خود به دو دسته گنگلومراها و برشهای رسوبی تقسیم می‌شوند. کنگلومرا سنگی است که از ذرات دانه درشت (گراول) با گردشدگی خوب تشکیل شده است. برشهای رسوبی عبارت از سنگهایی است که ذرات دانه درشت تشکیل دهنده آن به صورت زاویه‌دار باشند.

کنگلومراها

در حالت کلی می‌توان سنگهای دانه درشت آواری را بر اساس بافت که عبارت است از نسبت ذرات دانه درشت و نوع ماتریکس موجود در سنگ ، نوع یا جنس ذرات دانه درشت تشکیل دهنده و منشا دانه‌ها تقسیم‌بندی کرد. چنانچه دانه‌های گراول بیش از 80% ذرات سنگ را تشکیل دهند سنگ را کنگلومرا می‌نامند.

اگر مقدار گراول کمتر از 80% باشد سنگ را بر اساس مقدار گراول و نوع ماتریکس موجود در آن نامگذاری می‌کنند اگر مقدار گراول بین 30 تا 80 درصد باشد، بر اساس ماتریکس سنگ را به سه دسته کنگلومرای ماسه‌ای (ماتریکس دانه‌های ماسه می‌باشد) ، کنگلومرای ماسه‌ای - گلی (ماتریکس ذرات در اندازه ماسه و گل می‌باشد) و کنگلومرای گلی (ماتریکس ذرات در حد گل است) نامگذاری می‌کنند.

دیامیکتایت (diamictite)

سنگهای دانه درشت که حاوی ماتریکس زیادی می‌باشند و از رسوبات یخچالی حاصل شده‌اند را دیامیکتایت می‌نامند. این واژه برای سنگهایی بکار می‌رود که دارای جورشدگی بد ، بدون آهک و از ذرات آواری در اندازه ماسه یا درشتتر که در داخل ماتریکس دانه ریز قرار گرفته‌اند، تشکیل شده است. بیشتر دیامیکتایت‌ها کنگلومراهایی هستند که از دانه‌هایی با ترکیب متفاوت تشکیل شده‌اند.

تقسیم‌بندی کنگلومراها بر اساس ترکیب

بر اساس ترکیب یا جنس ذرات دانه درشت تشکیل دهنده کنگلومرا ، آنها را به دو دسته اولیگومیکتیک و پلی میکتیک تقسیم می‌کنند. اگر ذرات دانه درشت گراولی از یک جنس باشد، سنگ را تک منشائی یا اولگیومیکتیک (oligomictic) می‌نامند. در واقع اولیگومیکتیک سنگی مخلوطی است که جنس ذرات آن تقریبا یکنواخت می‌باشد. کنگلومراهایی که ذرات گراول آنها از انواع مختلف خرده سنگها درست شده باشد آن را چند منشائی یا پلی میکتیک کنگلومرا (polymictic) می‌نامند.

تقسیم‌بندی کنگلومراها از لحاظ منشا

کنگلومراها را بر اساس منشا دانه‌ها نیز تقسیم‌بندی می کنند. چنانچه ذرات از خارج حوضه به درون حوضه حمل شوند و رسوب کنند آنرا کنگلومرای خارج سازندگی (extra formational) می‌نامند و اگر منشا دانه‌ها از درون حوضه باشد آن را کنگلومرای درون سازندگی (intra formational) می‌نامند.

اندازه و شکل حفرات در شبیه سازی مخزن (روابط فشار مویینگی، اشباع شدگی و تراوایی) مورد نیاز می باشد. روابط کارمن-کزنی برای توصیف جربان سیال در محیط متخلخل (قانون دارسی) استفاده می شود، این روابط سنگ های کربناته را به خوبی توصیف نمی کنند، اگرچه روش هایی مانند تزریق جیوه ابرای محاسبه اندازه حفرات م و منافذ برای یک نمونه سنگی در دسترس است ولی این روش ها نمی توانند هندسه و نوع منافذ و حفرات سنگ را مشخص نمایند در حال حاضر در این زمینه مطالعات اندکی صورت گرفته است، در ادامه به بررسی انواع شکل های این منافذ و روش های عددی در مدل سازی آن ها خواهیم پرداخت.

در صورتی که جور شدگی دانه ها به خوبی صورت گرفته باشد و اندازه دانه ها یکسان باشد میتوانیم همانند شکل a آن را برای مدل سازی در نظر گرفت.در دانه های به شکل گوی های پراکنده و جورشدگی مناسب شکل b را در نظر بگیریم، در سنگ هایی با جور شدگی متوسط تا ضعیف اندازه دانه ها از (توزیع نرمال- نرمال لگاریتمی) (شکل c) در نظر گرفته می شوند.همچنین مخازن ماسه سنگی از نوع اائید جز زیر گروه مربوط به شکل d می باشند، این نوع از مخازن را می توان با استفاده از دادنه های بیضوی مدل سازی نمود.

a دانه های با اندازه برابر، b دانه های با اندازه پراکنده، c توزیه اندازه دانه ها با جور شدگی متوسط تا ضعیف، d دانه هایی با اندازه بیضوی مثل اائیدهای تفیر شکل

برای مدل کردن صحیح شکستگی ما نیاز به اندازه شکاف، حجم،... داریم (محور z) شکستگی های مخازن کربناته را می توان با روش های مختلفی اندازه گیری نمود. یکی از راه های سیمان های بلوکی با دانه های کوچکتر با فضای منفذی بین ذره ای کوچک و دانه های بزرگتر در نظر می گیریم. روش دیگر برای مدل سازی سیمان بلوکی حذف اطلاعات برخی از فضاهای خالی در شبکه پیوند ها به صورت تصادفی می باشد. بهترین روش برای بستن برخی از منافذ به عنوان سیمان پلوکی برخی از دانه ها را ایجاد می کنیم تا فضای منافذ بسته شود.

مواد با تخلخل کم (میکرو تخلخل)، رنگ خاکستری مربوط به فضای هالی بین دانه ای می باشد در مرحله بعد سپس شبکه‌ای با مقیاس طول یک پنجم از شبکه اصلی بر روی هر دانه ترسیم شد و به شبکه اصلی متصل شد تا یک شبکه دو مقیاسی را تشکیل دهد

مطالب بسیار جالب در باره مهندسی نفت

1-اولین تولید نفت در جهان: اولین تولید نفت در جهان به سال ۳۲۷ باز می‌گردد، زمانیکه مهندسین چینی از خطوط لولة‌ بامبو برای حفاری در ۲۴۰ متری زیر سطح زمین به منظور استخراج قطره‌های نفت استفاده می‌کردند. در آن زمان، ‌ نفت تحت عنوان «آب سوختنی» اطلاق می‌شد و از آن برای تبخیر آب دریا و تولید نمک استفاده می‌شد.

2-اولین تولید دریایی در جهان: اولین تولید نفت در دریا خیلی هم در نقاط دور دریا نبود. در سال ۱۸۹۱، کارگرانی از شرکت نفت ریلی و بنکرز (riley and Banker’s Oil) در دریاچه بزرگ سنت مری از یک سکوی چوبی اقدام به حفاری برای یافتن نفت نمودند. این دریاچه حدود ۷۰ مایلی غرب کلمبوس،‌ در اوهایو واقع است.

3-عمیق‌ترین چاه دریایی در جهان: پاسخ این سوال را همة‌ ما به خوبی می‌دانیم. در سپتامبر ۲۰۰۹، چاه ترانس‌اوشن دیپ‌واتر هورایزن Transocean’s Deepwater Horizon با عمق ۱۰٫۶۸۳ متری حفر گردید و آن را تبدیل به عمیق‌ترین چاه در جهان نمود. این رکورد مدت کوتاهی برقرار بود زیرا چاه Deepwater Horizon 6 ماه بعد منفجر شد.

4-طولانی‌ترین چاه تولید نفت:‌ نمی‌دانم آیا حفاران نفت در Titusville، پنسیلوانیا می‌دانستند که پس از ۱۵۰ سال کار ساخت دست آنها همچنان در حال استفاده است؟ چاه McClintock#1 در سال ۱۸۶۱ شروع به تولید نمود و امروز همچنان در حال تولید است. این چاه زمانی حدود ۵۰ بشکه در روز تولید داشت اما هم‌اکنون تولید آن از حدود ۱۲ بشکه در ماه تجاوز نمی‌کند.

5-برزگترین میدان نفتی دریایی جهان: با ۵۰ کیلومتر طول و ۱۵ کیلومتر عرض، میدان صفانیا در عربستان سعودی بزرگ‌ترین میدان نفتی دریایی در جهان به شمار می‌رود. صفانیا که در سال ۱۹۵۱ کشف شد، حدود ۳۷ میلیارد بشکه نفت و ۱۵۱ میلیارد کیلومترمکعب گاز در خود جای داده است. این میزان می‌تواند نیاز امریکا را به مدت ۵ سال تأمین نماید.

6-بزرگ‌ترین میدان گازی دریایی جهان: بخش شمالی پارس جنوبی در خلیج فارس بزرگ‌ترین میدان گازی دریایی جهان به شمار می‌رود. این میدان که مابین ایران و قطر مشترک است و حدود ۳۰۰۰ متر زیر سطح دریا قرار دارد، ۵۱ تریلیون متر مکعب گاز را در خود جای داده است.

7-بزرگترین انفجار در طول تاریخ: انفجار چاه ماکوندو و پس‌جریان‌های آن، که توسط Deepwater Horizon (لطفاً به بالا مراجعه شود) در حال حفر بود، حدود ۹/۴ میلیون بشکه نفت را به درون خلیج مکزیک روانه کرده است.

8-بزرگ‌ترین سکوی نفتی جهان: بزرگ‌ترین سکوی نفتی جهان که حدود ۵۹٫۵۰۰ تن وزن دارد،‌The Thunder Horse PDQ، از طریق سرمایه‌گذاری مشترک توسط دو شرکت معظمBP و ExxonMobil ساخته شده است.علیرغم اندازه بزرگ آن، این سکو همچنان نسبت به عناصر مختلف شکننده است و توفان سال ۲۰۰۵ دنیس این سکو را به این حالت واژگون کرده است.

9-بزرگترین تأسیسات مخزن و تخلیه تولید شناور در جهان: کیزومبا ExxonMobil-A دارای ظرفیت ذخیره‌سازی ۲/۲ میلیون بشکه نفت دارد که بزرگ‌ترین تأسیسات از این دست در جهان به شمار می‌رود. سازه ۸۰۰ میلیون دلاری هم‌اکنون در خارج از سواحل آنگولا در حال بهره‌برداری می‌باشد.

10-کوچکترین مخزن و تخلیه تولید شناور در جهان: تأسیسات مخزن و تخلیه تولید شناور Roc Oil در سواحل جنوب شرقی استرالیا واقع شده است، که می‌تواند ۱۰٫۰۰۰ بشکه نفت در روز را نگهداری و تخلیه کند.

میدان گازی فرزاد B (انگلیسی: Farzad B gas field‎) یکی از میدان‌های گازی مشترک ایران و عربستان است که در سال ۲۰۱۲ کشف شد و تولید گاز طبیعی و میعانات گازی آن از سال ۲۰۱۳ توسط عربستان آغاز شد. حجم ذخیره این میدان ۲۱٫۷ تریلیون فوت مکعب است که حدود ۶۰ درصد آن قابل استخراج است. ظرفیت تولید این میدان حدود ۱٫۱ میلیارد فوت مکعب در روز است.

• امروزه استفاده از شبکه‌های عصبی مصنوعی در رشته‌های مهندسی در حال افزایش است به‌طوری که برای یک مهندس نحوه استفاده و عملکرد آن ضروری است. در این مقاله ابتدا به توضیح مختصری درباره شبکه‌های عصبی مصنوعی می‌پردازد و در نهایت به برخی از کاربردهای آن در مهندسی نفت اشاره می‌کنیم. شبکه‌های عصبی برای حل مسائلی به‌کار می‌روند که فرمول حل آنها ناشناخته است و مدل علت و معلولی یا برای آنها وجود ندارد و یا ابهام قابل ملاحظه‌ای در آن دیده می‌شود، علت نبود روابط ریاضی لازم برای تشریح چنین مسائلی این است که حتی خود مسئله به‌طور کامل و بدون ابهام شناخته شده است. در مهندسی نفت از شبکه‌های عصبی در زمینه‌های مختلفی از قبیل اکتشاف، تخمین هیدروکربور درجا، نمودارگیری و .... استفاده شده است، شبکه عصبی در مهندسی نفت هم چند کاربرد مخصوص هم دارد. 
  
  مقدمه
  
  فرض کنید شما به عنوان یک مهندس نفت بر روی میزان نفوذپذیری سنگ‌های مخزن کار می‌کنید
  تصور کنید که اطلاعاتی از قبیل تخلخل، جنس دانه‌ها، سیال پرکننده حفرات، محیط رسوبی و فشار منفذی را در مورد چند نمونه سنگ که توسط مغزه‌گیری به‌دست آمده دارید و نیز میزان نفوذپذیری این چند نمونه را هم با استفاده از روش‌های آزمایشگاهی مکانیک سنگ و معیارهای مختلف در دسترس، محاسبه کرده‌اید ولی هیچ‌گونه اطلاعی در مورد نحوه تاثیر این پارامترها بر میزان نفوذپذیری سنگ‌ها نداریم پس ما این اطلاعات و میزان نفوذپذیری را به یک برنامه کامپیوتری می‌دهیم حال کار این برنامه تجزیه و تحلیل‌های مشکلی است که در نهایت منجر به یک مدل ریاضی می‌شود که ما می‌توانیم اطلاعات مربوط به یک سنگ جدید را به برنامه داده و برنامه به راحتی میزان نفوذپذیری آن را به ما تحویل دهد، این روند اساس کار شبکه‌های عصبی مصنوعی است.
  
  شبکه‌های عصبی مصنوعی در واقع از ساختارهای بسیار پیچیده مغز انسان الهام گرفته شده است که در آن میلیون‌ها سلول عصبی از طریق ارتباطی که با هم دارند به حل مسائل یا ذخیره‌سازی اطلاعات می‌پردازند. وظیفه شبکه عصبی یادگیری است. در واقع شبکه عصبی همانند کودک خردسالی است که در ابتدا هیچ چیز نمی‌داند. در این فرآیند ابتدا از طریق آموزش یا همان مرحله کسب تجربه که به کمک یک‌سری داده‌های ورودی و خروجی مطلوب انجام می‌پذیرد، اجرا می‌شود به این صورت که مجموعه‌ای از ورودی‌ها و خروجی‌های درست به شبکه داده می‌شود و شبکه عصبی با استفاده از این ورودی‌ها (مثال‌ها) مول ریاضی پیچیده‌ای می‌سازد که در صورت دادن ورودی‌های جدید، پاسخ درستی را تولید کند
  
  قواعد يادگيري شبكه‌هاي عصبي مصنوعي
  
  در حال حاضر تعداد بسيار زيادي قاعده يادگيري براي شبكه‌هاي عصبي وجود دارد. هيچ‌كس دقيقا تعداد آنها را نمي‌داند طبقه‌بندي‌هاي مختلفي براي شبكه‌هاي عصبي وجود دارد اول بايد بدانيم كه زماني به پروانه يادگيري نياز است كه اطلاعات كامل در مورد اهداف موجود نباشد، جايي كه مي‌دانيم به علت عدم قطعيت در شرايط محيطي، سيستمي كه داراي خواص يا پارامترهاي ثابت باشد به‌طور كامل عمل كند رفتار سيستم‌هاي يادگيري توسط الگوريتم‌هاي بازگشتي بيان مي‌شود به همين خاطر در اين الگوريتم‌ها كه قوانين يادگيري اطلاق مي‌شود و عموما توسط معادلات ديفرانسيلي بيان مي‌شود به پروسه يادگيري نياز است چون اطلاعات ارتباط ورودي و خروجي كاملا مشخص نيستند. مي‌دانيم كه تجربه‌ها در مسير زمان حاصل مي‌شوند به عبارت ديگر هيچ‌كس آينده خود را تجربه نكرده است ميزان يادگيري ما به درجه كامل بودن اطلاعات قبلي ما بستگي دارد در حالت كلي دو نوع يادگيري موجود است تحت نظارت و بدون نظارت.
  
  در يادگيري نظارتي به شبكه آموخته مي‌شود كه بين داده‌هاي آموزشي و خروجي‌هاي مربوط ارتباط برقرار كند در واقع يك معلم وجود دارد كه در مرحله يادگيري به شبكه مي‌گويد چقدر خوب كار مي‌كند (تقويت يادگيري) يا مي‌گويد رفتار صحيح چه بايد باشد (يادگيري كاملا نظارتي). در يادگيري بدون نظارت شبكه خودكار عمل مي‌كند. شبكه در اين حالت فقط به داده‌هايي كه به آن داده مي‌شود، نگاه مي‌كند، سپس بعضي از ويژگي‌هاي مجموعه داده‌ها را پيدا كرده و ياد مي‌گيرد كه اين ويژگي‌ها را در خروجي خود منعكس كند اينكه اين خصوصيات دقيقا چه هستند، به مدل خاص شبكه و روش يادگيري بستگي دارد. نوع ديگر طبقه‌بندي براساس توپولوژي سلول به يكديگر در داخل شبكه است كه به دو دسته تقسيم مي‌شوند شبكه‌هاي با تغذيه پيشرو و شبكه‌هاي با تغذيه برگشتي. در شبكه پيشرو اطلاعات ورودي (Input) را وارد كرده و به لايه‌ مياني (Hidden) و در نهايت به لايه خروجي (output) مي‌رود كه جواب ما در آنجا مشاهده مي‌شود كه در اين نوع توپولوژي لايه‌ها عينا به هم متصل هستند و حتما بايد يك پل ارتباطي بين آنها وجود داشته باشد و پرسشي نداريم و هميشه جهت اطلاعات از ورودي به خروجي است در حالي كه در شبكه برگشتي جهت جريان به‌صورت يك طرفه نيست بلكه چرخشي است كه اكثر شبكه‌هاي عصبي امروز مورد استفاده از نوع اول يعني تغذيه پيشرو است.
  
  
  
  معرفي روش پس انتشار
  
  رايج‌ترين تكنيك آموزش نظارتي، الگوريتم پس انتظار خطا است. يادگيري اين الگوريتم بر پايه قانون تصحيح خطا بنا شده است كه مي‌توان آن را تعميم الگوريتم مرسوم به حداقل ميانگين مربعات دانست. يادگيري از طريق اين روش (پس انتشار) دو مرحله دارد: مرحله پيشروي و مرحله بازگشت. در مرحله پيشروي ورودي‌ها به صورت لايه به لايه در شبكه پيش مي‌رود و در پايان يك‌سري خروجي به‌عنوان جواب حقيقي شبكه به‌دست مي‌آيد، در اين مرحله توازن اتصال ثابت است. در مرحله بازگشت، اوزان اتصال بر اساس قانون تصحيح خطا، تغيير مي‌كند. تفاضل پاسخ حقيقي شبكه و پاسخ مورد انتظار كه خطا ناميده مي‌شود در جهت مخالف اتصالات در شبكه منتشر مي‌شود و اوزان به‌گونه‌اي تغيير مي‌يابد كه پاسخ حقيقي شبكه به پاسخ مطلوب نزديكتر شود.
  
  مراحل الگوريتم پس انتشار را مي‌توان به صورت زير بيان كرد:
  
  شبكه يك مثال آموزشي را دريافت مي‌كند و با استفاده از اوزان موجود در شبكه كه در ابتدا به‌صورت تصادفي مقداردهي مي‌شود، خروجي‌ها را محاسبه مي‌كند.
  
  خطا يعني اختلاف بين نتيجه محاسبه شده (خروجي) و مقدار مورد انتظار محاسبه مي‌شود.
  
  خطا درون شبكه منتشر مي‌شود و اوزان براي حداقل كردن خطا از نو تنظيم مي‌شوند.
  
  مهمترين بخش تنظيم اوزان است كه پس از محاسبه خطاي پيشگويي براي نمونه اول ورودي به سيستم، وزن‌ها از آخرين لايه به سوي نخستين لايه به تدريج طوري تغيير مي‌كنند كه خطاي پيشگويي كمتر مي‌شود. در واقع BP سرشكن كردن خطا بر روي سلول‌هاي (گره‌هاي) يك لايه و نيز لايه بعدي است پس از اين اطلاعات نمونه دوم به شبكه خوانده مي‌شود مسلما با همان وزن‌ها نمونه جديد مجددا خطا خواهد داشت. بنابراين روش توزيع معكوس مجددا دست به كار شده و وزن‌ها را طوري تغيير مي‌دهد كه كمترين خطا را (هم براي اين نمونه و هم براي نمونه قبلي) ايجاد كند به اين ترتيب پس از خواندن تعداد نمونه كافي به ورودي شبكه، اصطلاحا شبكه Converge يا همگرا شده يعني ميزان خطا به حداقل تعداد خود مي‌رسد. اين به معناي موفقيت در مرحله يادگيري است و شبكه آماده است تا براي مرحله پيشگويي به‌كار ‌رود.
  
  توجه به اين نكته اهميت دارد كه اگر تعداد نرون‌ها و لايه پنهان مورد استفاده، بيش از حد معمول باشد، سيستم به جاي تجزيه و تحليل داده‌ها آنها را حفظ مي‌كند و اصطلاحا دچار over Training (over Fitting Oscillation) مي‌شود. در اين حالت مدل به‌دست آمده قادر خواهد بود كه داده‌هاي مشابهي را كه در مرحله يادگيري مورد استفاده قرار گرفته را دقيقا پيش‌بيني كند. اما اگر داده‌هاي جديدي كه در مرحله آموزش از آنها استفاده شده، به‌كار گرفته شود، سيستم عملكرد بسيار بدي را خواهد داشت و خطاي پيش‌بيني زياد خواهد شد. به‌منظور جلوگيري از اين پديده از روش اعتبارسنجي متقاطع استفاده مي‌شود در اين تكنيك مجموعه داده‌هاي اوليه به سه دسته آموزش، تست و اعتبار تقسيم‌بندي مي‌شوند اعتبار شبكه همزمان با آموزش در هر دور سنجيده مي‌شود و درست وقتي كه خطا روي داده‌هاي اعتبار شروع به بالا رفتن مي‌كند، آموزش شبكه قطع مي‌شود.
  
  
  
  تفاوت روش محاسباتي متداول با روش محاسباتي شبكه‌هاي عصبي
  
  در روش‌هاي معمولي، گام‌هاي محاسباتي از پيش تعيين شده و داراي توالي منطقي هستند، در مقايسه ANN‌ها نه توالي دارند و نه الزاما از پيش تعيين شده هستند در اين حالت پردازشگرهاي پيچيده مركزي وجود ندارند، بلكه تعداد زيادي پردازشگر ساده وجود دارد كه كاري جز گرفتن جمع وزني ورودي‌هايشان از ديگر پردازشگرها ندارند. مدل‌سازي كلاسيك از نخستين قدم خطاي بزرگي را مرتكب مي‌شود كه فقط در سيستم‌هاي ساده (خطي يا نزديك به خطي) قابل صرف‌نظر است. نخستين قدم در روش كلاسيك براي بررسي داده‌ها، بررسي شاخص‌هايي مثل ميانگين، انحراف معيار و... است. از اين مرحله به بعد در روش كلاسيك، كاري با تك‌تك نمونه‌ها نداريم و اهميت فردي آنها از بين مي‌رود. در واقع روش كلاسيك با عملي شبيه همگن كردن داده‌ها، پيچيدگي‌ روابط آنها را محو مي‌كند و به اين دليل از كشف اين پيچيدگي‌ها باز مي‌ماند. به اين دليل ترتيب سيستم كلاسيك در استخراج معني از داده‌هاي ضعيف و با بازده پايين عمل مي‌كند و در بسياري از موارد از كشف روابط بين داده‌ها ناكام مي‌ماند. اگر مي‌توانستيم سيستمي داشته باشيم كه با اهميت دادن به فردفرد داده‌ها آنها را تجزيه و تحليل كند و نيز بدون پيش‌داوري در مورد شكل تابع هر پارامتر (خطي يا غيرخطي بدون تابع) آن را ذخيره و ارزيابي كند، چنين سيستمي مي‌توانست نتايج بيشتري را از عمق داده‌ها بيرون بكشد. شبكه‌هاي عصبي مصنوعي اين قابليت را دارند و به همين خاطر بسيار مورد توجه قرار گرفته‌اند.

Subject: ATRIBUTOS AVO/AVA ---AVO Modeling in Seismic Processing and Interpretation /II. Methodologies Instructor: Mohammad Hossein Gandomgoun - University of Tehran

استفاده از روش‌های کمی در تفسیر داده‌های لرزه‌ای به جای روش‌های کیفی در مراحل اکتشاف تا تولید از مخازن نفتی، به مرور زمان جای خود را در صنعت بالا دستی نفت پیدا کرده است. یکی از مهمترین روش‌های کمی، بررسی نحوه تغییر ضرایب بازتاب امواج لرزه‌ای بر حسب تغییر دورافت (AVO) بین گیرنده و چشمه است. با استفاده از ارتباط دامنه در برابر دورافت، روابط زوپریتس و تقریب‌های آن می‌توان نشانگرهای مختلفی استخراج کرد و به کمک آنها محدوده‌‌های مخزنی را از لحاظ سیال و سنگ شناسی تفکیک نمود موضوع: ATRIBUTOS AVO/AVA ---AVO Modeling in Seismic Processing and Interpretation / II. Methodologies محمدحسین گندم گون

(انستیتو مهندسی نفت دانشگاه تهران)