Developing Fracture Measure as an Index of Fracture Impact on Well-Logs
Notice bibliographique
Résumé
Due to the three-dimensional nature of fractures, it is difficult to characterize them completely and accurately. In this paper, a novel fractured zone detection criterion, Fracture Measure (FM), is proposed. FM is a parameter calculated by aperture, fracture type, azimuth and apparent distance. These factors have not been incorporated in previous studies to detect fractured zones. This study attempts to estimate FM by Artificial Neural Network to see if there is any relation between FM and conventional logs and to check the generalization ability of FM. Two datasets were used for the investigation: a real carbonate reservoir of an oil field in Iran and a synthetic heterogeneous reservoir, here incalled SYN. Comparing outputs of heterogeneous and homogeneous conditions showed that the Classification Correctness Rate (CCR) of the model in the homogeneous state was approximately 97%, and in the heterogeneous condition, it was between 74% and approximately 92%. Generalization ability in the homogeneous state varied from 91% to 94%, and in the heterogeneous condition, varied from 52% to 86%. In the real dataset, ANN was able to estimate FM with an average accuracy of approximately 80%and Classification Correctness Rate (CCR) of approximately 100%, which shows that FM could be modeled through well-logs. It is noteworthy that FM is capable of providing a fuzzy measure for fracture study.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,005 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».