జర్నల్ ఆఫ్ కోస్టల్ జోన్ మేనేజ్‌మెంట్

నైరూప్య

మెరుగైన ఆయిల్ రికవరీ కోసం లోతైన అభ్యాసం మరియు సున్నితత్వ విశ్లేషణను ఉపయోగించడం ద్వారా రిజర్వాయర్‌లో ప్రారంభ నూనెను అంచనా వేయడం ద్వారా రిజర్వియర్ క్యారెక్టరైజేషన్

జూలియా Mbamarah

T నేడు ఉత్పత్తి సమస్య కనుగొనబడిన వనరు యొక్క సరైన మొత్తాన్ని తిరిగి పొందలేకపోవడం. గణాంక విశ్లేషణ నుండి, కేవలం 60% చమురు మాత్రమే తిరిగి పొందవచ్చు మరియు ఇప్పటివరకు నమోదు చేయబడిన అత్యధిక మొత్తం కనుగొనబడిన చమురులో 80% మాత్రమే. అంటే దాదాపు 25% చమురు ఇప్పటికీ వదిలివేయబడిన చమురు క్షేత్ర బావులలో ఉంది.

నైజీరియాలోని వివిధ చమురు క్షేత్రాల నుండి డేటాను పొందడం, డీప్ లెర్నింగ్ ఉపయోగించి కనుగొనగలిగే చమురు పరిమాణాన్ని లెక్కించడం జరిగింది. ఈ నెట్‌వర్క్‌కు ప్రారంభంలో చమురు యొక్క అంచనా పరిమాణాన్ని ఖచ్చితంగా అంచనా వేయడానికి శిక్షణ ఇవ్వబడింది. ఉత్పత్తి చేయబడిన న్యూరల్ నెట్‌వర్క్ మోడల్ యొక్క సున్నితత్వ విశ్లేషణ IOIPని అంచనా వేయడానికి ఏ ఇన్‌పుట్ పారామితులు ఎక్కువగా దోహదపడిందో వెల్లడించింది

తీసివేయబడిన సమాచారం నుండి, రికవరీని మెరుగుపరచడానికి అనువైన బావి, పారామీటర్ మార్పు యొక్క సాధ్యాసాధ్యాల ప్రకారం నిర్ణయాత్మక కారకాలు కనిష్టీకరించబడతాయి లేదా గరిష్టీకరించబడతాయి. ఆసక్తిని నిర్ణయించే లక్షణాలను మెరుగుపరచడం ద్వారా న్యూరల్ ప్రోటోటైప్ ఆప్టిమైజ్ చేయబడింది. డేటా అప్‌డేట్ తదనంతరం తదుపరి శిక్షణకు దారి తీస్తుంది మరియు సాధారణంగా రికవరీ స్థాయిని మెరుగుపరుస్తుంది.

ఇతర శక్తి వనరులను గుర్తించినంత మాత్రాన, చమురు మరియు వాయువు ఇప్పటికీ ఇంధన పరిశ్రమలో అంతర్భాగంగా ఉన్నాయి మరియు ఈ శక్తి వనరు యొక్క పునరుద్ధరణ అత్యధిక శాతం వరకు అనుకూలీకరించబడిందని నిర్ధారించే చర్యలను విస్మరించకూడదు.