تبلیغات

**بِسْمِ اللّهِ الرَّحْمَنِ الرَّحیمِ** اَللّهُمَّ کُنْ لِوَلِیِّکَ الْحُجَّةِ بْنِ الْحَسَنِ صَلَواتُکَ عَلَیْهِ وَعَلى آبائِهِ فی هذِهِ السّاعَةِ وَفیکُلِّ ساعَةٍ وَلِیّاً وَحافِظاً وَقائِداً وَناصِراً وَدَلیلاً وَعَیْناً حَتّى تُسْکِنَهُ أَرْضَکَ طَوْعاً وَتُمَتِّعَهُ فیها طَویلاً، بِرَحْمَتِکَ‏ یااَرْحَمَ الرَّاحِمینَ *...* سعی کن آنقدر کامل باشی که بزرگترین تنبیه تو برای دیگران ، گرفتن خودت از آن ها باشد.*...*. اگر نیت یک ساله دارید...گندم بکارید...اگرنیت ده ساله دارید درخت بکارید...و...اگر نیت صد ساله دارید انسان تربیت کنید**

مهندسی بهره برداری نفت دانشگاه آزاد بوشهر - کاربرد هوش مصنوعی در مهندسی نفت و شیمی

 
مهندسی بهره برداری نفت دانشگاه آزاد بوشهر
***ما در برابر نسل آینده مسئولیت حفظ ذخائر نفت را داریم. *** امام خمینی(ره)
                                                        
درباره وبلاگ

دانش آموخته مهندسی نفت گرایش بهره برداری از دانشگاه آزاد بوشهر و دانشجوی ارشد مهندسی اکتشاف دانشگاه یزد هستم، این وبلاگ -Petroleum Engineering At Islamic Azad University Of Bushehr -حاوی مطالب و جزوات کمک درسی و کتابهای مرتبط با مهندسی نفت در تمامی گرایش هاست. امیدوارم که این مطالب برای شما دوستان عزیز نفتی مورد استفاده واقع شه!
اگه کسی از دوستان جزوه و یا کتابی در رابطه با مهندسی نفت داشت لطف کنه به ایمیلم ارسال کنه تا در وبلاگ قرار بدم که بقیه دوستان هم بتونن از اون استفاده کنن.
Email: Utab.petroleum_engineering@yahoo
com.
مدیر وبلاگ : زهرا صادقی زاده
نظرسنجی
به نظر شما کدام یک از گرایش های مهندسی نفت بهتر است؟







پیوندهای روزانه
آمار وبلاگ
  • کل بازدید :
  • بازدید امروز :
  • بازدید دیروز :
  • بازدید این ماه :
  • بازدید ماه قبل :
  • تعداد نویسندگان :
  • تعداد کل پست ها :
  • آخرین بازدید :
  • آخرین بروز رسانی :

 

 
http://s6.picofile.com/file/8238437268/299909.jpg


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.

http://s5.picofile.com/file/8136184626/green_4_.gif

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 یادگیری شبكه‌های عصبی مصنوعی

در حال حاضر تعداد بسیار زیادی قاعده یادگیری برای شبكه‌های عصبی وجود دارد. هیچ‌كس دقیقا تعداد آنها را نمی‌داند طبقه‌بندی‌های مختلفی برای شبكه‌های عصبی وجود دارد اول باید بدانیم كه زمانی به پروانه یادگیری نیاز است كه اطلاعات كامل در مورد اهداف موجود نباشد، جایی كه می‌دانیم به علت عدم قطعیت در شرایط محیطی، سیستمی كه دارای خواص یا پارامترهای ثابت باشد به‌طور كامل عمل كند رفتار سیستم‌های یادگیری توسط الگوریتم‌های بازگشتی بیان می‌شود به همین خاطر در این الگوریتم‌ها كه قوانین یادگیری اطلاق می‌شود و عموما توسط معادلات دیفرانسیلی بیان می‌شود به پروسه یادگیری نیاز است چون اطلاعات ارتباط ورودی و خروجی كاملا مشخص نیستند. می‌دانیم كه تجربه‌ها در مسیر زمان حاصل می‌شوند به عبارت دیگر هیچ‌كس آینده خود را تجربه نكرده است میزان یادگیری ما به درجه كامل بودن اطلاعات قبلی ما بستگی دارد در حالت كلی دو نوع یادگیری موجود است تحت نظارت و بدون نظارت.

در یادگیری نظارتی به شبكه آموخته می‌شود كه بین داده‌های آموزشی و خروجی‌های مربوط ارتباط برقرار كند در واقع یك معلم وجود دارد كه در مرحله یادگیری به شبكه می‌گوید چقدر خوب كار می‌كند (تقویت یادگیری) یا می‌گوید رفتار صحیح چه باید باشد (یادگیری كاملا نظارتی). در یادگیری بدون نظارت شبكه خودكار عمل می‌كند. شبكه در این حالت فقط به داده‌هایی كه به آن داده می‌شود، نگاه می‌كند، سپس بعضی از ویژگی‌های مجموعه داده‌ها را پیدا كرده و یاد می‌گیرد كه این ویژگی‌ها را در خروجی خود منعكس كند اینكه این خصوصیات دقیقا چه هستند، به مدل خاص شبكه و روش یادگیری بستگی دارد. نوع دیگر طبقه‌بندی براساس توپولوژی سلول به یكدیگر در داخل شبكه است كه به دو دسته تقسیم می‌شوند شبكه‌های با تغذیه پیشرو و شبكه‌های با تغذیه برگشتی. در شبكه پیشرو اطلاعات ورودی (Input) را وارد كرده و به لایه‌ میانی (Hidden) و در نهایت به لایه خروجی (output) می‌رود كه جواب ما در آنجا مشاهده می‌شود كه در این نوع توپولوژی لایه‌ها عینا به هم متصل هستند و حتما باید یك پل ارتباطی بین آنها وجود داشته باشد و پرسشی نداریم و همیشه جهت اطلاعات از ورودی به خروجی است در حالی كه در شبكه برگشتی جهت جریان به‌صورت یك طرفه نیست بلكه چرخشی است كه اكثر شبكه‌های عصبی امروز مورد استفاده از نوع اول یعنی تغذیه پیشرو است.



معرفی روش پس انتشار

رایج‌ترین تكنیك آموزش نظارتی، الگوریتم پس انتظار خطا است. یادگیری این الگوریتم بر پایه قانون تصحیح خطا بنا شده است كه می‌توان آن را تعمیم الگوریتم مرسوم به حداقل میانگین مربعات دانست. یادگیری از طریق این روش (پس انتشار) دو مرحله دارد: مرحله پیشروی و مرحله بازگشت. در مرحله پیشروی ورودی‌ها به صورت لایه به لایه در شبكه پیش می‌رود و در پایان یك‌سری خروجی به‌عنوان جواب حقیقی شبكه به‌دست می‌آید، در این مرحله توازن اتصال ثابت است. در مرحله بازگشت، اوزان اتصال بر اساس قانون تصحیح خطا، تغییر می‌كند. تفاضل پاسخ حقیقی شبكه و پاسخ مورد انتظار كه خطا نامیده می‌شود در جهت مخالف اتصالات در شبكه منتشر می‌شود و اوزان به‌گونه‌ای تغییر می‌یابد كه پاسخ حقیقی شبكه به پاسخ مطلوب نزدیكتر شود.

مراحل الگوریتم پس انتشار را می‌توان به صورت زیر بیان كرد:

شبكه یك مثال آموزشی را دریافت می‌كند و با استفاده از اوزان موجود در شبكه كه در ابتدا به‌صورت تصادفی مقداردهی می‌شود، خروجی‌ها را محاسبه می‌كند.

خطا یعنی اختلاف بین نتیجه محاسبه شده (خروجی) و مقدار مورد انتظار محاسبه می‌شود.

خطا درون شبكه منتشر می‌شود و اوزان برای حداقل كردن خطا از نو تنظیم می‌شوند.

مهمترین بخش تنظیم اوزان است كه پس از محاسبه خطای پیشگویی برای نمونه اول ورودی به سیستم، وزن‌ها از آخرین لایه به سوی نخستین لایه به تدریج طوری تغییر می‌كنند كه خطای پیشگویی كمتر می‌شود. در واقع BP سرشكن كردن خطا بر روی سلول‌های (گره‌های) یك لایه و نیز لایه بعدی است پس از این اطلاعات نمونه دوم به شبكه خوانده می‌شود مسلما با همان وزن‌ها نمونه جدید مجددا خطا خواهد داشت. بنابراین روش توزیع معكوس مجددا دست به كار شده و وزن‌ها را طوری تغییر می‌دهد كه كمترین خطا را (هم برای این نمونه و هم برای نمونه قبلی) ایجاد كند به این ترتیب پس از خواندن تعداد نمونه كافی به ورودی شبكه، اصطلاحا شبكه Converge یا همگرا شده یعنی میزان خطا به حداقل تعداد خود می‌رسد. این به معنای موفقیت در مرحله یادگیری است و شبكه آماده است تا برای مرحله پیشگویی به‌كار ‌رود.

توجه به این نكته اهمیت دارد كه اگر تعداد نرون‌ها و لایه پنهان مورد استفاده، بیش از حد معمول باشد، سیستم به جای تجزیه و تحلیل داده‌ها آنها را حفظ می‌كند و اصطلاحا دچار over Training (over Fitting Oscillation) می‌شود. در این حالت مدل به‌دست آمده قادر خواهد بود كه داده‌های مشابهی را كه در مرحله یادگیری مورد استفاده قرار گرفته را دقیقا پیش‌بینی كند. اما اگر داده‌های جدیدی كه در مرحله آموزش از آنها استفاده شده، به‌كار گرفته شود، سیستم عملكرد بسیار بدی را خواهد داشت و خطای پیش‌بینی زیاد خواهد شد. به‌منظور جلوگیری از این پدیده از روش اعتبارسنجی متقاطع استفاده می‌شود در این تكنیك مجموعه داده‌های اولیه به سه دسته آموزش، تست و اعتبار تقسیم‌بندی می‌شوند اعتبار شبكه همزمان با آموزش در هر دور سنجیده می‌شود و درست وقتی كه خطا روی داده‌های اعتبار شروع به بالا رفتن می‌كند، آموزش شبكه قطع می‌شود.



تفاوت روش محاسباتی متداول با روش محاسباتی شبكه‌های عصبی

در روش‌های معمولی، گام‌های محاسباتی از پیش تعیین شده و دارای توالی منطقی هستند، در مقایسه ANN‌ها نه توالی دارند و نه الزاما از پیش تعیین شده هستند در این حالت پردازشگرهای پیچیده مركزی وجود ندارند، بلكه تعداد زیادی پردازشگر ساده وجود دارد كه كاری جز گرفتن جمع وزنی ورودی‌هایشان از دیگر پردازشگرها ندارند. مدل‌سازی كلاسیك از نخستین قدم خطای بزرگی را مرتكب می‌شود كه فقط در سیستم‌های ساده (خطی یا نزدیك به خطی) قابل صرف‌نظر است. نخستین قدم در روش كلاسیك برای بررسی داده‌ها، بررسی شاخص‌هایی مثل میانگین، انحراف معیار و... است. از این مرحله به بعد در روش كلاسیك، كاری با تك‌تك نمونه‌ها نداریم و اهمیت فردی آنها از بین می‌رود. در واقع روش كلاسیك با عملی شبیه همگن كردن داده‌ها، پیچیدگی‌ روابط آنها را محو می‌كند و به این دلیل از كشف این پیچیدگی‌ها باز می‌ماند. به این دلیل ترتیب سیستم كلاسیك در استخراج معنی از داده‌های ضعیف و با بازده پایین عمل می‌كند و در بسیاری از موارد از كشف روابط بین داده‌ها ناكام می‌ماند. اگر می‌توانستیم سیستمی داشته باشیم كه با اهمیت دادن به فردفرد داده‌ها آنها را تجزیه و تحلیل كند و نیز بدون پیش‌داوری در مورد شكل تابع هر پارامتر (خطی یا غیرخطی بدون تابع) آن را ذخیره و ارزیابی كند، چنین سیستمی می‌توانست نتایج بیشتری را از عمق داده‌ها بیرون بكشد. شبكه‌های عصبی مصنوعی این قابلیت را دارند و به همین خاطر بسیار مورد توجه قرار گرفته‌اند.





نوع مطلب : برای مطالعه، 
برچسب ها : هوش مصنوعی، هوش مصنوعی در نفت، شبکه های عصبی، شبکه، مهندسی نفت و هوش مصنوعی، نورون،
لینک های مرتبط :




یکشنبه 13 فروردین 1396 11:03
Good day! Do you know if they make any plugins to assist with
Search Engine Optimization? I'm trying to get my blog to rank for
some targeted keywords but I'm not seeing very good results.
If you know of any please share. Thanks!
 
لبخندناراحتچشمک
نیشخندبغلسوال
قلبخجالتزبان
ماچتعجبعصبانی
عینکشیطانگریه
خندهقهقههخداحافظ
سبزقهرهورا
دستگلتفکر
نظرات پس از تایید نشان داده خواهند شد.