Innovative Data-Driven Permeability Prediction in a Heterogeneous Reservoir
Notice bibliographique
Résumé
Abstract In complex reservoirs where heterogeneity of properties and errors associated with sampling yield uncertain measurements of geological properties, e.g. porosity and permeability, conventional techniques such as empirical and nonlinear regression methods attempt to estimate values of these properties with low or no error. Conversely, artificial intelligence asserts that the error contains useful information that complements conventional techniques. For example, fuzzy logic methods to predict permeability at uncored wells provide uncertainty measures based on secondary variables such gamma ray, neutron porosity, sonic porosity, bulk density, formation resistivity, and core-based permeability. Fuzzy logic provides tools for uncertainty modeling and improved permeability estimation. Here, a two-stage fuzzy ranking algorithm is integrated in the fuzzy predictive model to improve generalization capability and transparency of the model through selecting inputs best suited to predict permeability. Fuzzy curve and surface analysis is used to rapidly and automatically identify information-rich well logs and filter out data dependencies. Subtractive clustering algorithm generates membership functions and isolates clusters of data. The Takagi-Sugeno-Kang fuzzy rule-based system (TSK) is constructed from a subset of logs and core measurements. The antecedent fuzzy sets are obtained by projecting the mean and variance onto input data axes. The consequent functions consist of a set of linear equations. To tune antecedent and consequent membership function parameters, an Adaptive Network based fuzzy inference systems (ANFIS) is used. The proposed methodology is initially validates using the standard Box & Jenkins’ gas furnace data to predict C02 concentration and compared to a multilinear regression technique. Generalization capability has increased through using the most significant inputs during modeling gas furnace data. The methodology was also demonstrated by predicting permeability from well log data of a heterogeneous sandstone reservoir located in the Middle East. The fuzzy model was compared to conventional linear and multilinear regression models to show its applicability and superiority in heterogeneous systems. Unlike conventional methods, the proposed fuzzy technique does not require any prior knowledge of the reservoir and relationships between permeability and input variables. In addition, the technique accounts for uncertainty that exists in log data. The result is an efficient interpretation expert system that can be continuously conditioned as new data becomes available.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 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 ».