فهرست مقالات جریانی

• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  1 - تعيين گروه¬های سنگی سازند آسماری با استفاده از مفهوم واحد¬های جریانی هيدروليکی با تاکيد بر بخش ماسه¬سنگی اهواز در میدان منصوری
  مسلم  خداویسی ، مجتبی  کاویانپور سنگنوء اعظم  نامداریان سید رضا  موسوی حرمی اسدا...  محبوبی علی  کدخدایی داود فریدونی
  سازند آسماری (الیگوسن – میوسن) مهمترین سنگ مخزن حوضه زاگرس محسوب می شود. این سازند در میدان منصوری شامل مخلوطی از نهشته های سیلیسی و کربناته است که نهشته های سیلیسی-آواری آن با نام بخش ماسه-سنگی اهواز شناخته شده است. تعیین گروه سنگی مخزنی فرایندی است که در طی آن رخساره چکیده کامل

  سازند آسماری (الیگوسن – میوسن) مهمترین سنگ مخزن حوضه زاگرس محسوب می شود. این سازند در میدان منصوری شامل مخلوطی از نهشته های سیلیسی و کربناته است که نهشته های سیلیسی-آواری آن با نام بخش ماسه-سنگی اهواز شناخته شده است. تعیین گروه سنگی مخزنی فرایندی است که در طی آن رخساره های زمین شناسی با رفتار دینامیک خود مشخص می شوند. هر واحد جریانی با نشانگر زون جریانی مرتبط است، بنابراین زون بندی یک مخزن با استفاده از نشانگرهای زون جریانی (FZI) و شناسایی واحد های جریانی می تواند برای ارزیابی کیفیت مخزنی بر اساس روابط تخلخل-تراوایی استفاده شود. برای بررسی کیفیت مخزنی و مشخص کردن توزیع فضایی شاخص های پتروفیزیکی در ماسه سنگ های سازند آسماری، از ارتباط تخلخل و تراوایی و هم چنین ارتباط آن ها با گروه های سنگی استفاده شد و در نهایت واحدهای جریانی و گروه های سنگی شناسایی شدند. در این مطالعه بخش ماسه سنگی سازند آسماری به 4 واحد جریانی A، B، Cو D تقسیم شده است. از بین واحد های جریانی شناسایی شده، واحد جریانی C به عنوان بهترین واحد جریانی از نظر کیفیت مخزنی شناخته شد و واحد جریانی D نیز دارای کیفیت مخزنی خوبی می باشد. با مقایسه واحد های جریانی شناسایی شده و لاگ های تخلخل (نوترون، چگالی و صوتی) مشاهده گردید که از توالی های ماسه سنگی مخزن آسماری که تحت تاثیر فرایند های دیاژنزی مانند شکستگی، انحلال، سیمانی شدن دولومیتی و مهاجرت هیدروکربور ها قبل از سیمانی شدن قرار گرفته اند، واحد های جریانی C و D گسترش بیشتری دارند و در نتیجه لاگ های تخلخل نیز کیفیت مخزنی خوبی در این قسمت از توالی آسماری نشان می-دهند. بنابراین می توان با استفاده از واحد های جریانی هیدرولیکی به تعیین گروه های سنگی در چاه هایی که دارای مغزه هستند، پرداخت و نتایج را به چاه های فاقد مغزه تعمیم داد. پرونده مقاله
• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  2 - ارائه یک الگوریتم مناسب برای یادگیری جریانی بر اساس الگوریتم ماشین‌های بردار پشتیبان دوقلوی مربعات حداقلی فازی
  جواد سلیمی سرتختی سلمان گلی
  الگوریتم ماشین بردار پشتیبان یکی از الگوریتم‌های مشهور و با کارایی بالا در یادگیری ماشین و کاربردهای مختلف است. از این الگوریتم تا کنون نسخه‌های متعددی ارائه شده که آخرین نسخه آن ماشین‌های بردار پشتیبان دوقلوی مربعات حداقلی فازی می‌باشد. اغلب کاربردها در دنیای امروز دار چکیده کامل

  الگوریتم ماشین بردار پشتیبان یکی از الگوریتم‌های مشهور و با کارایی بالا در یادگیری ماشین و کاربردهای مختلف است. از این الگوریتم تا کنون نسخه‌های متعددی ارائه شده که آخرین نسخه آن ماشین‌های بردار پشتیبان دوقلوی مربعات حداقلی فازی می‌باشد. اغلب کاربردها در دنیای امروز دارای حجم انبوهی از اطلاعات هستند. از سویی دیگر یکی از جنبه‌های مهم داده‌های حجیم، جریانی‌بودن آنها می‌باشد که باعث شده است بسیاری از الگوریتم‌های سنتی، کارایی لازم را در مواجهه با آن نداشته باشند. در این مقاله برای نخستین بار نسخه افزایشی الگوریتم ماشین‌های بردار پشتیبان دوقلوی مربعات حداقلی فازی، در دو حالت برخط و شبه برخط ارائه شده است. برای بررسی صحت و دقت الگوریتم ارائه‌شده دو کاربرد آن مورد ارزیابی قرار گرفته است. در یک کاربرد، این الگوریتم بر روی 6 دیتاست مخزن UCI اجرا شده که در مقایسه با سایر الگوریتم‌ها از کارایی بالاتری برخوردار است. حتی این کارایی در مقایسه با نسخه‌های غیر افزایشی نیز کاملاً قابل تشخیص است که در آزمایش‌ها به آن پرداخته شده است. در کاربرد دوم، این الگوریتم در مبحث اینترنت اشیا و به طور خاص در داده‌های مربوط به فعالیت روزانه به کار گرفته شده است. طبق نتایج آزمایشگاهی، الگوریتم ارائه‌شده بهترین کارایی را در مقایسه با سایر الگوریتم‌های افزایشی دارد. پرونده مقاله
• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  3 - ماشین یادگیری مفرط عمیق: رویکرد ترکیبی یادگیری افزایشی برای طبقه‌بندی داده‌های جریانی
  جواد حمیدزاده منا مرادی
  داده‌های جریانی متشکل از داده‌هایی است که به ترتیب و با سرعت و حجم زیاد به سیستم وارد می‌شوند. توزیع این داده‌ها ناپایدار بوده و در طول زمان ممکن است تغییر کنند. با توجه به اهمیت این نوع داده‌ها در حوزه‌هایی مهم نظیر اینترنت اشیا، تسریع عملکرد و افزایش توان عملیاتی تحلی چکیده کامل

  داده‌های جریانی متشکل از داده‌هایی است که به ترتیب و با سرعت و حجم زیاد به سیستم وارد می‌شوند. توزیع این داده‌ها ناپایدار بوده و در طول زمان ممکن است تغییر کنند. با توجه به اهمیت این نوع داده‌ها در حوزه‌هایی مهم نظیر اینترنت اشیا، تسریع عملکرد و افزایش توان عملیاتی تحلیل داده‌های بزرگ جریانی به عنوان موضوعی مهم، مورد توجه محققین است. در روش پیشنهادی، از مفهوم یادگیری ترکیبی برخط در مدل بهبودیافته ماشین یادگیر مفرط به منظور طبقه‌بندی داده‌های جریانی استفاده شده است. به دلیل استفاده از رویکرد افزایشی، در هر لحظه تنها یک بلوک داده بدون نیاز به دسترسی به داده‌های پیشین یاد گرفته می‌شود. همچنین با بهره‌گیری از رویکرد آدابوست، وزن‌دهی به طبقه‌بندی‌کننده‌های پایه و تصمیم‌گیری در مورد حفظ و یا حذف آنها بر اساس کیفیت پیش‌بینی‌ها انجام می‌شود. مزیت دیگر روش پیشنهادی، بهره‌گیری از رویکرد مبتنی بر صحت طبقه‌بندی کننده‌ جهت شناسایی رانش مفهوم است که منجر به تسهیل انطباق مدل و افزایش کارایی آن می‌شود. آزمایش‌ها بر روی مجموعه‌ داده‌های استاندارد انجام گردید و روش پیشنهادی به طور میانگین با کسب 90/0% خاص‌بودن، 69/0% حساسیت و 87/0% صحت توانست اختلاف معناداری با دو روش رقیب داشته باشد. پرونده مقاله
• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  4 - بهبود تشخيص ناهنجاري بات¬نت¬هاي حوزة اينترنت اشياء مبتنی بر انتخاب ویژگی پویا و پردازش¬های ترکیبی‌
  بشری پیشگو احمد اکبری ازیرانی
  پیچیده‌شدن کاربردهای دنیای واقعی خصوصاً در حوزه‌های اینترنت اشیا، ریسک‌های امنیتی متنوعی را برای این حوزه به همراه داشته است. بات‌نت‌های این حوزه به عنوان گونه‌ای از حملات امنیتی پیچیده شناخته می‌شوند که می‌توان از ابزارهای یادگیری ماشین، به منظور شناسایی و کشف آنها است چکیده کامل

  پیچیده‌شدن کاربردهای دنیای واقعی خصوصاً در حوزه‌های اینترنت اشیا، ریسک‌های امنیتی متنوعی را برای این حوزه به همراه داشته است. بات‌نت‌های این حوزه به عنوان گونه‌ای از حملات امنیتی پیچیده شناخته می‌شوند که می‌توان از ابزارهای یادگیری ماشین، به منظور شناسایی و کشف آنها استفاده نمود. شناسایی حملات مذکور از یک سو نیازمند کشف الگوی رفتاری بات‌نت‌ها از طریق پردازش‌های دسته‌ای و با دقت بالا بوده و از سویی دیگر می‌بایست همانند پردازش‌های جریانی، به لحاظ عملیاتی بلادرنگ عمل نموده و وفق‌پذیر باشند. این مسئله، اهمیت بهره‌گیری از تکنیک‌های پردازش ترکیبی دسته‌ای و جریانی را با هدف تشخیص بات‌نت‌ها، بیش از پیش آشکار می‌سازد. از چالش‌های مهم این پردازش‌ها می‌توان به انتخاب ویژگی‌های مناسب و متنوع جهت ساخت مدل‌های پایه و نیز انتخاب هوشمندانه مدل‌های پایه جهت ترکیب و ارائه نتیجه نهایی اشاره نمود. در این مقاله به ارائه راهکاری مبتنی بر ترکیب روش‌های یادگیری جریانی و دسته‌ای با هدف تشخیص ناهنجاری بات‌نت‌ها می‌پردازیم. این راهکار از یک روش انتخاب ویژگی پویا که مبتنی بر الگوریتم ژنتیک بوده و به طور کامل با ماهیت پردازش‌های ترکیبی سازگار است، بهره می‌گیرد و ویژگی‌های مؤثر در فرایند پردازش را در طول زمان و وابسته به جریان ورودی داده‌ها به صورت پویا تغییر می‌دهد. نتایج آزمایش‌ها در مجموعه داده‌ای مشتمل بر دو نوع بات‌نت شناخته‌شده، بیانگر آن است که رویکرد پیشنهادی از یک سو با کاهش تعداد ویژگی‌ها و حذف ویژگی‌های نامناسب موجب افزایش سرعت پردازش‌های ترکیبی و کاهش زمان تشخیص بات‌نت می‌گردد و از سویی دیگر با انتخاب مدل‌های مناسب جهت تجمیع نتایج، دقت پردازش را افزایش می‌دهد. پرونده مقاله
• دسترسی آزاد مقاله
  • صفحه چکیده
  • متن کامل
  
  5 - تجزیه و تحلیل گونه های سنگی الکتریکی مخزن بنگستان در میدان نفتی مارون
  ابوذر محسنی پور بهمن  سلیمانی احسان ابهرک پور قدرت الله  نیکخواه
  مطالعات مربوط به گونه های سنگی الکتریکی نقش بسیار مهمی را در فرایند توسعه یک میدان ایفا می کند. در این مطالعات از داده های تخلخل-تراوایی مغزه و لاگ های چاهپیمایی جهت شبیه سازی مخزن استفاده می شود. در پژوهش حاضر در ابتدا با استفاده از داده های تخلخل و تراوایی حاصل از مغ چکیده کامل

  مطالعات مربوط به گونه های سنگی الکتریکی نقش بسیار مهمی را در فرایند توسعه یک میدان ایفا می کند. در این مطالعات از داده های تخلخل-تراوایی مغزه و لاگ های چاهپیمایی جهت شبیه سازی مخزن استفاده می شود. در پژوهش حاضر در ابتدا با استفاده از داده های تخلخل و تراوایی حاصل از مغزه چاه پیمایی به روش شاخص منطقه ای جریان چهار واحد جریانی برای این مخزن تعیین گردید. در تعدادی از چاههای میدان با استفاده از لاگ های چاهپیمایی مدل اولیه گونه سنگی الکتریکی به سه روش SOM ، MRGC و DYNAMICتعیین گردید، رخساره های تعیین شده با روشهای مختلف با واحد جریانی تعیین شده تطابق داده و از بین آنها روش SOM که دارای بیشترین تطابق بود انتخاب گردید،از بین 9 الکتروفاسیس اولیه ایجاد شده با توجه به شباهت برخی از پارامترها مانند تخلخل موثر و لاگ گاما به 4 الکتروفاسیس تقلیل داده شد، جهت اطمینان از دقت تعئین گونه سنگی الکتریکی توسط شبکه های عصبی، این الکتروفاسیس ها با داده های فشار موئینه تطابق داده و پس از تائید الکتروفاسیس های تعیین شده با فشار موئینه این رخساره ها در سایر چاههای میدان انتشار داده شد که منجر به ایجاد مدلی گردید که توانایی جدایش بخش های مختلف مخزنی را از همدیگر دارا بود. در این مدل قسمت های مختلف مخزن از نظرکیفیت مخزنی تعیین گردید. پرونده مقاله