نمودارهاي (FDC/CNL) بهترين نمودار جهت محاسبه تخلخل مي باشد. نمودار FDC(نمودار چگالی) وسیله بسیار مناسبی برای تمیز دادن لایه های گچی از لایه های دیگر همچون سنگ آهک,دولومیت و ماسه سنگ می باشد. به کمک نمودار های سونیک و FDC به راحتی می توان سنگ گچ را از سنگ نمک تشخیص داد.
تشخيص نمك از انيدريت مقدار نمودار دانسيته(FDC) براي انيدريت gr/cc2.95 -3 كه انيدريت از تمام سنگهاي متراكم ديگر قابل تشخيص مي سازد. بهترين نمودارها براي تشخيص اين دو از همد يگر نمودار هاي صوتي و وزن مخصوص(FDC) مي باشد. مقدار دانسيته لايه هاي نمك gr/cc2.03-2.02 مي باشد.در حاليكه براي انيدريت برابر با gr/cc 3.00-2.95 ميباشد. از طرفي مقدار نمودار صوتي براي نمك sec/ft68 و براي انيدريت sec/ft 55 ميباشد.
=======
نمودار صوتي بهترين نمودار براي تشخيص (سنگ آهك و دولوميت) از رسوبات تخريبي (ماسه سنگ و شيل ) مي باشد. قرائت نمودار صوتي براي كربناتها بين sec/ft 75 تا 50 (بستگي به ميزان تراكم و سيماني شدن دارد يعني فاكتور هاي مو ثر بر تخلخل) قرائت نمودار صوتي براي ماسه سنگها و شيل بين sec/ft 120 تا 80 و يا بيشتر مي باشد. دولوميت: ِDolomite نمودار FDC در سمت راست نمودار CNL قرار مي گيرد.و فاصله بين اين دو نمودار 2 تا 3واحد بر اي دولوميت خالص و براي دولوميت هاي ماسه اي و دولوميت هاي آهكي كمتر از دو وا حد مي باشد. ماسه سنگ: Sandstone نمودار FDC در سمت چپ نمودار CNL قرار مي گيرد. و فاصله بين اين دو نمودار 1 تا 3واحد، بستگي به درجه خلوص ماسه سنگ دارد و فاصله بيش از 3 واحد دلالت بر وجود گاز دارد. -سنگ آهك: Limestone نمودار FDC و نمودار CNL بر همديگر منطبق مي باشند.
امیدوارم جواب همه سوالات خودت رو گرفته باشی.برای این توی وبلاگ گذاشتم که شاید به درد دیگران هم بخورد. و رتبه خوبی توی کنکور بیاری. همیشه موفق باشید.
آزمون براي133 كد رشته امتحاني در صبح و بعدازظهر روزهاي چهارشنبه ، پنچشنبه و جمعه 18، 19 و 20 بهمن ماه سال 1391 و
براساس اطلاعات مندرج بر روي كارت شركت در آزمون رشته امتحاني مربوط
برگزار خواهد شد. داوطلبان متقاضي هريك ازكد رشتههايامتحاني لازم
است به نشاني مندرج بر روي كارت شركت در آزمون مراجعه نمايند. شهرستان محل
برگزاري آزمون داوطلبان با توجه به استان محل اقامت آنان به شرح جدول
شماره 1 ميباشد.
ازم به توضيح است كارت شركت در آزمون حاوي اطلاعات ثبت نامي، تاريخ و محل
برگزاري آزمون داوطلبان از روز يكشنبه 15/11/91 براي مشاهده و پرينت بر روي
سايت سازمان به آدرس www.sanjesh.org قرار
خواهد گرفت. داوطلبان لازم است بر اساس مشخصات شناسنامه اي و يا شماره
پرونده و كد رهگيري وارد سايت سازمان شده و نسبت به پرينت كارت شركت در
آزمون اقدام نمايند. بديهي است براي شركت در جلسه آزمون همراه داشتن پرينت
كارت شركت در آزمون و هم چنين اصل كارت ملي و يا اصل شناسنامه عكسدار و
ارائه آن الزامي است. لذا كليه داوطلبان بايستي شخصاً براي پرينت كارت شركت
در آزمون اقدام نمايند.
مدت زمان آزمون ارشد رشته مهندسی نفت
برای هر سه گرایش ۱۵۰ دقیقه می باشد که این مدت زمان برای گروه اکتشاف و
حفاری مناسب و کافی می باشد. اما با توجه به اینکه بیشتر دروس گروه مخازن
هیدروکربوری تشریحی و تحلیلی می باشد۱۵۰دقیقه برای گروه مخزن کم می باشد.
لذا باید در تنظیم زمان خود دقت بیشتری نمایند.
- در بعضی دروس منابع سوالات بسیار گسترده
می باشد. مانند درس بهره برداری که ممکن است شما منابع زیادی را به خوبی
مطالعه کرده باشید اما سر جلسه کنکور با سوالی مواجه شوید که نمونه آنرا
قبلا ندیده باشید. لذا با دیدن این سوالات اصلا دچار استرس نشوید.
- در کنکور ممکن است بعضی سوالات بیش از
یک جواب درست داشته باشند یا اینکه تمامی جوابها درست باشد یا اینکه اصلا
تمامی جوابها نادرست باشد. با مشاهده اینگونه سوالات به هیچ وجه به این
سوالات پاسخ ندهید.
***زیرا ممکن است جواب شما جواب مورد نظر طراح سوال نباشد.
شرکت ملي گاز ايران در نظر دارد به منظور تأمین بخشي از نیازمندیهای نیروی
انسانی مورد نیاز خود در شركت مجتمع گاز پارس جنوبي(عسلويه)، شركت
هاي پالايش گاز شامل : بيدبلند(پالايشگاه هاي بيدبلند و مسجد سليمان)،
سرخون و قشم، شهيد هاشمي نژاد و فجرجم، شركت انتقال گاز ايران(مناطق
عملياتي 1، 2، 5، 6، 7، 8 و 9) از ميان دانش آموختگان صرفاً مرد (با
توجه به ماهيت عملياتي محل هاي خدمتي) و همچنين شركت هاي گاز استان شامل :
ايلام، بوشهر، خوزستان و سيستان و بلوچستان از ميان دانش آموختگان مرد و
زن در مقاطع تحصیلی کاردانی، کارشناسی و كارشناسي ارشد (مطابق جدول شماره
1) داوطلبان واجد شرایط را پس از ثبت نام در پايگاه اينترنتي به نشاني
http://tamin.nigc.irاز طريق برگزاري آزمون کتبی(علمي)، آزمون استعداد
و ارزيابي روانشناختی، انجام مصاحبه حضوری فنی و تخصصی، انجام مراحل گزینش
و طب-صنعتی استخدام نماید.
توجه مهم : اكثريت نيازمنديهاي نيروي انساني در اين آزمون مربوط به شركت مجتمع گاز پارس جنوبي(عسلويه) مي باشد.
سوال1-كدام يك از موارد زير از معادله موازنه مواد بدست نمي آيند؟
1.اندازه سفره آبي2.اندازه كلاهك گازي3.نفت درجا 4. توزيع اشباع
گرینه 4 جواب است.
چون
اگر کتاب مخرن کرفت رو خونده باشید متوجه جواب میشید که: The MBE, when properly applied, can be used to: ● estimate initial hydrocarbon volumes in place; ● predict reservoir pressure; ● calculate water influx; ● predict future reservoir performance; ● predict ultimate hydrocarbon recovery under various types of primary drive mechanisms پس توزيع اشباع جزء موارد آن نیست و از معادله موازنه مواد بدست نمی آید.
سوال2 "در كدام موردلازم است از superposison استفاده كنيم.؟
1. تغير خواص سنك
و سيال 2.در حالت وجود آسيب 3. درحالت تغير دبي 4. در حالت تغير فشار در
يك چاه وتاثيرآن بر روي چاه مشاهدهاي
جواب گزینه3 است.
چون
بر اساس کتاب هندبوک طارق احمد اصل انطباق (superposison ) برای: اثرات چند چاهی اثرات تغییر دبی؛ اثرات مرزی؛ اثرات تغییر فشار.
دوستان عزیز توجه داشته باشید این کارنامه ها ملاکی برای کنکور امسال نمی
باشند چون هر ازمونی شرایط خود را دارد و هر سال چند درس بسیار تاثیر گذار
می باشند
زبان و ریاضی همیشه تعیین کننده( چون نیاز به برنامه
بلند مدت دارد )و به جرات می توان گفت کسی که این دو را بالای 50 بزند
قبولی خود در یک دانشگاه خوب را تضمین کرده به عنوان مثال به کارنامه این
دوستمون نگاه کنیم
زبان 59 ( تراز بالای 9000 ) و
ریاضی 57( به جرات می توان گفت جزو سه نفر اول و حتی نفر اول کنکورو این
یعنی تراز بالای 10500) و میانگین تراز باقی دروس زیر 5000 و نهایتا تراز 6608 با
رتبه 15 در یک دانشگاه خوب قبول شدن
بالاخره کلید سنجش رو سایت قرار گرفت و الان مشاهده می شه که درصدها چقدر با تخمین اولیه متفاوته..
اگه دوست داشتید درصدهاتون رو الان قرار بدید و سوالی داشتید در حد توانم پاسخگو خواهم بود
__
من فقط برام ممکن هست روی پستهای خودم پاسخهای شما عزیزان رو بدم..یکی از نظرات رو دیدم که دوستی فرمودن سوال 206 حفاری گزینه 3 هست...خیر گزینه درست گزینه 4 هست
c3s عامل عمده ی ایجاد استحکام سیمان در تمام مدت عمر سنگ بویژه در 28 روز اول هست.
c2s روی زمان بندش سیمان اثر محسوسی ندارد و این کانی عمدتا عامل استحکام دراز مدت سیمان هست
اطلاعيه استخدام شركت ملي نفت ايران قابل توجه داوطلبان شركت در آزمون
استخدامي
شركت ملي نفت ايران به منظورتأمين بخشي از نيروي انساني موردنياز خود جهت خدمت در مناطق
عملياتي و خارج از كلانشهر تهران از بين داوطلبان واجد شرايط در مقاطع كارداني و بالاتر
استخدام مي نمايد.
ثبت نام آزمون استخدامي بصورت اينترنتي از تاريخ 8/12/91
لغايت 15/12/91 از طريق همين پايگاه صورت مي پذيرد.
با تشکر از عزیزی که این فایل را برای ما ارسال نموده است دوستان عزیز این درخواست جامع است خواهشمندیم چیزی از ان حذف نکنید ولی اگر اشکال نگارشی داشت اصلاح کنید باز هم تاکید می کنیم نام و نام خانوادگی و شماره تماس حتما قید شود این فایل را به هر خبرگزاری که می شناسید به خصوص مهر و تابناک میل بزنید ادرس میل در سایتشان است و تمام خبرگزاری نفتی مانند شانا و نفت نیوز و مشعل و.... ارسال کنید سایت وزارت نفت و هر جا به نظرتان ربطی پیدا می کند و نتیجه را به اطلاع بچه ها برسانید -------------------------------------------------------------------------------------- دوستان عزیز در تذکر بجای یکی از خانم ها خواهشمندیم این متن را اضافه کنید - چرا
اسمی از خانم ها نیست اگر قرار نیست ان ها استخدام شوند چرا انها را در دانشگاه صنعت نفت
(این دانشگاه که دیگر برای وزارت نفت است) پذیرش می کنید و بهترین سال های عمر ان
ها را به بازی می گیرید ---------------------------------------------------------------------------------------
در سال 1920 یک سکوی چوبی در آبهای کم عمق دریاچه۳ ماراسی بیو
واقع در ونزوئلا ساخته شد و از روی آن عملیات حفاری انجام پذیرفت .البته
از آنجایی که شدت امواج در این دریاچه به مراتب کمتر از دریا میباشد
نمیتوان آن را سکوی دریایی قلمداد نمود.
در سال 1930 در جنوب لوئیزیانا از روی یک سکوی چوبی که کانالی
در کنار آن جهت استفاده از سرویس بارجها و قایقها جهت حمل و نقل احداث شده
بود حفاری صورت گرفت.
ایجاد سکوهای چوبی با استفاده از شمع های چوبی همچنان ادامه
یافت به نحوی که در سال 1933 سکویی در اعماق 7/3 متری آب و به فاصله یک
کیلومتری از ساحل احداث گردید.
در سال 1937 شرکت ۴برون اندروت آمریکایی در فاصله 6/1 کیلومتری از ساحل یک سکوی چوبی در
در چاههاي قديمي و متداول، وسايل ضروري براي استخراج هيدروكربن عبارتند از
شيرهاي محدودكنندة جريان سيالات، غربال و سرند براي جلوگيري از ورود شن به
چاه وكلية اتصالات و مجرابندهايي كه براي تثبيت چاه استفاده ميشوند. با
استفاده از چاههاي قديمي، تمام سيالات نفت و گاز و آب با هم استخراج شده و
سپس روي زمين از هم جدا ميشوند.
چنانچه مشكلي در چاه وجود داشته
باشد، نمود آن را تنها ميتوان در سطح زمين و با مشاهدة مواردي چون مقدار
زياد آب يا شن ديد. اما چاههاي هوشمند از شرايطي كاملاً متفاوت
برخوردارند. اين چاهها در سادهترين شكل خود داراي حسگرهايي هستند كه
بلافاصله آنچه را كه در درون چاه اتفاق ميافتد، نشان ميدهند. براي
استفاده حداكثر از اين وسايل، مكانيزمهاي بازخورد پاسخگوي شرايط متغير
هستند. مسيرهايي را كه در اعماق چاه كار گذاشته ميشوند، ميتوان جهت كنترل
جريان يا قطع توليد تنظيم كرد.
دوستان شبکه عصبی یه موضوعی بسیار جذاب برای تحقیق و نیاز مبرم برای موسسه های تحقیقاتی می باشد به طوری دوستانی که تجربه اپلای کردن دارند حسرت اینکه چرا روی این زمینه تحقیاتی کار نکرده اند را همیشه می خورند
چکیده
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. کلمات کلیدی: شبکههای
عصبی مصنوعی، نرون، نفت، اکتشاف، تخمین هیدروکربور درجا، نمودار.
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.