Porosity and permeability prediction from wireline logs using artificial neural networks: a North Sea case study
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.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».