Support-Vector Regression for Permeability Prediction in a Heterogeneous Reservoir: A Comparative Study
Notice bibliographique
Résumé
Summary Permeability is a key parameter in reservoir-engineering computation, and the relationship between rock petrophysical properties and permeability is often complex and difficult to understand by using conventional statistical methods. Neural-network-based methods can be employed to develop more-accurate permeability correlations, but the correlations from these methods have limited generalizability and the global correlations are usually less accurate compared to local correlations. In this research, the objective is to build a permeability model with promising generalization performance. Recently, support-vector machines (SVMs) based on statistical-learning theory have been proposed as a new intelligence technique for both prediction and classification tasks. The formulation of SVMs embodies the structural-risk-minimization (SRM) principle, which has been shown to be superior to the traditional empirical-risk-minimization (ERM) principle employed by conventional neural networks. This new formulation deals with kernel functions, allows projection to higher planes, and solves more-complex nonlinear problems. SRM minimizes an upper bound on the expected risk, as opposed to ERM, which minimizes the error on the training data. It is this difference that equips SVMs with a greater ability to generalize, which is the goal in reservoir-characterization statistical learning. This novel support-vector-regression (SVR) algorithm was first introduced in well-logs intelligent analysis. Here, a permeability-prediction model using SVR from well logs in a heterogeneous sandstone reservoir is developed. Also, an attempt has been made to review the basic ideas underlying support-vector machines for function estimation. To demonstrate the potential of the proposed SVM's regression technique in prediction permeability, a study was performed to compare its performance with multilayer perceptron neural network, generalized neural network, and radial-basis-function neural networks. Accuracy and robustness were investigated, and statistical-error analysis reveals that the SVM approach is superior to the other methods for generalizing previously unseen permeability data.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,001 |
| 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 ».