Modeling Permeability in Tight Gas Sands Using Intelligent and Innovative Data Mining Techniques
Notice bibliographique
Résumé
Abstract Evaluation of gas potential in low permeability reservoirs (< 0.1 md) generally referred to as Tight Gas reservoirs is not very straight forward as in conventional reservoirs. This study is focused on modeling permeability in the Travis Peak Formation where there are many challenges. One may encounter low resistivity pay due to clay coated grains and alternating thin laminae of finer and coarser sandstones with distinctly different pore geometries, natural fractures, bituminous zones and multilateral fluvial channel sandstones in broad lenses. Core data is sparsely available. Most importantly, there are no structural features that may construe trapping mechanisms. In view of these challenges, a permeability model was developed primarily for the Travis Peak Formation of Robertson and Leon counties where it has produced 96 BCF of gas and 0.54 MMbbl of oil. A permeability model was developed by integrating core and log data using the Adaptive Neuro Fuzzy Logic Inference System (ANFIS) that combines the functionality of neural network and fuzzy logic techniques. A combination of conventional logs such as lithology (GR, SP), porosity (RHOB, NPHI), deep and shallow resistivity logs were integrated with core data (porosity, permeability). The results showed excellent agreement with measured core permeability values. The results of the conventional porosity-permeability transform are also presented for comparison purposes. Since the data has been used from the Travis Peak Formation of East Texas Basin comprising several counties, it is expected that the permeability model should be applicable anywhere in the basin.
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 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,000 | 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 ».