Porosity and permeability prediction from wireline logs using artificial neural networks: a North Sea case study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Estimations of porosity and permeability from well logs are important yet difficult tasks encountered in geophysical formation evaluation and reservoir engineering. Motivated by recent results of artificial neural network (ANN) modelling offshore eastern Canada, we have developed neural nets for converting well logs in the North Sea to porosity and permeability. We use two separate back‐propagation ANNs (BP‐ANNs) to model porosity and permeability. The porosity ANN is a simple three‐layer network using sonic, density and resistivity logs for input. The permeability ANN is slightly more complex with four inputs (density, gamma ray, neutron porosity and sonic) and more neurons in the hidden layer to account for the increased complexity in the relationships. The networks, initially developed for basin‐scale problems, perform sufficiently accurately to meet normal requirements in reservoir engineering when applied to Jurassic reservoirs in the Viking Graben area. The mean difference between the predicted porosity and helium porosity from core plugs is less than 0.01 fractional units. For the permeability network a mean difference of approximately 400 mD is mainly due to minor core‐log depth mismatch in the heterogeneous parts of the reservoir and lack of adequate overburden corrections to the core permeability. A major advantage is that no a priori knowledge of the rock material and pore fluids is required. Real‐time conversion based on measurements while drilling (MWD) is thus an obvious application.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle