{
    "metadata": {
        "dataset_id": "shahroodut-thesis",
        "record_id": "TN115",
        "title": "کاربرد یک روش الگوریتمیک بر مبنای آنالیز تصویر برای شناسایی بافتی رخساره های محیط های رسوبی سنگ منشا و مخازن نفت و گاز: مطالعه موردی در خلیج فارس",
        "publisher": "دانشگاه صنعتی شاهرود",
        "owner": "کتابخانه مرکزی دانشگاه صنعتی شاهرود",
        "license": "CC-BY-4.0",
        "license_url": "https://creativecommons.org/licenses/by/4.0/",
        "license_text": "استفاده، بازنشر، تحلیل، پردازش و بهره برداری پژوهشی، آموزشی و صنعتی با ذکر منبع دانشگاه صنعتی شاهرود مجاز است.",
        "publication_date": "1389",
        "last_update": "2026-07-11",
        "language": "fa",
        "format": "application/json",
        "contact": "thesis@shahroodut.ac.ir",
        "access": {
            "fulltext_available": "true",
            "public_access": "true"
        }
    },
    "data": {
        "thesis_id": "TN115",
        "title": "کاربرد یک روش الگوریتمیک بر مبنای آنالیز تصویر برای شناسایی بافتی رخساره های محیط های رسوبی سنگ منشا و مخازن نفت و گاز: مطالعه موردی در خلیج فارس",
        "degree": null,
        "faculty": "مهندسی معدن، نفت و ژئوفیزیک",
        "year": 1389,
        "authors": [
            {
                "name": "مسعود شکوری",
                "role": "پدیدآور اصلی"
            },
            {
                "name": "منصور ضیائی",
                "role": "استاد راهنما"
            },
            {
                "name": "Ali Pouyan",
                "role": "استاد راهنما"
            },
            {
                "name": "سیما سهرابی",
                "role": "استاد مشاور"
            }
        ],
        "keywords": [
            "سنگ های کربناته",
            "شناسایی بافتی",
            "شبکه عصبی",
            "پردازش تصویر"
        ],
        "abstract": "با توجه به این موضوع که 90 درصد ذخایر نفتی در سنگ های کربناته قرار گرفته اند، شناسایی بافتی سنگ های کربناته یکی از مراحل ضروری و اجتناب ناپذیر برای اکتشافات نفتی در مخازن هیدروکربوری آهکی به شمار می رود. در روش های سنتی روال کار برای شناسایی بافتی سنگ ها بدین صورت می باشد که پس از نمونه برداری از اعماق مشخص در چاه، از نمونه های سنگی بدست آمده مقاطع نازک تهیه می شود. در مرحله بعد متخصصین سنگ شناسی مقاطع نازک را تک تک مورد بررسی قرار می دهند و نام گذاری می کنند که این کار بسیار وقت گیر و پرهزینه می باشد و به دلیل زمان بر بودن و سختی کار احتمال اشتباه انسانی بسیار بالا می باشد. به دلیل وقت گیر بودن این مرحله، هزینه های مربوط به نیروی انسانی متخصص بسیار بالا می باشد. استفاده از یک روش بر پایه کامپیوتر و روش های هوش مصنوعی می تواند مشکلات ناشی از زمان و هزینه را تا حد چشمگیری کاهش دهد و همچنین باعث سهولت در جابجایی داده های مورد نیاز در بین واحدهای مختلف یک سازمان شود.\r\nدر این مطالعه نرم افزاری بر پایه روش های شبکه عصبی و پردازش تصویر تهیه شد که با گرفتن یک تصویر میکروسکوپی دیجیتال به عنوان ورودی از سطح مقطع نازک با بزرگ نمایی 25 برابر نوع سنگ کربناته را مشخص می کند. برای آموزش شبکه عصبی نرم افزار از 400 مقطع نازک استفاده شد که از این تعداد مقطع نازک به تعداد مساوی(100 عدد) مربوط به یکی از گروه های مادستون، وکستون، پکستون و گرینستون می باشد. همچنین از 400 تصویر دیجیتالی دیگر از مقاطع نازک برای تست نرم افزار استفاده شد. با توجه به نتایج تست نرم افزار دقت نرم افزار برای شناسایی هر یک از       گروه های مادستون، وکستون، پکستون و گرینستون به ترتیب برابر 100، 76، 71 و 87 درصد      می باشد.",
        "repository": "کتابخانه مرکزی دانشگاه صنعتی شاهرود",
        "note": "حقوق مادی و معنوی متعلق به دانشگاه صنعتی شاهرود می باشد.",
        "download_url": "https://shahroodut.ac.ir/fa/thesis/files/somefiles/sf_TN115.pdf"
    },
    "dictionary": {
        "thesis_id": "شناسه پایان نامه",
        "title": "عنوان پایان نامه",
        "degree": "مقطع تحصیلی",
        "faculty": "دانشکده",
        "year": "سال دفاع",
        "authors": "پدیدآورندگان",
        "keywords": "کلیدواژه ها",
        "abstract": "چکیده",
        "repository": "محل نگهداری",
        "note": "یادداشت",
        "download_url": "آدرس فایل پایان نامه"
    }
}