Statistical Pattern Recognition and Geostatistical Data Integration
Notice bibliographique
Résumé
SummaryStatistical pattern recognition, particularly the neural network approach, has found many applications in reservoir characterization, enabling the use of multi-variate, imprecise and uncertain reservoir data. Geostatistics is a well-established field for 3D spatial modeling and uncertainty quantification of the reservoir facies and petro-physical properties. In this paper we present a theoretical and practical framework for developing and applying pattern recognition tools within the traditional geostatistical framework. We show that the power of soft computing tools within a geostatistical framework allows the modeler to make maximum use of the reservoir data. Geostatistics aims at integrating geophysical and reservoir engineering data, yet at the same time honoring geological continuity information provided by well data or by analog outcrop information. However, the traditional geostatistical framework does not allow an easy integration of “non-linear” reservoir data. Due to the nature of the governing physical laws, seismic amplitude data and production history data both exibit a non-linear and multiple point relationship with petrophysical properties such as porosity and permeability. In this paper we show how statistical pattern recognition tools can be integrated into traditional and novel geostastical simulation methods in order to deal with the imprecise and non-linear aspects of reservoir data. Probabilistic type neural networks such as the proposed logistic regression network are ideal tools to model the probabilistic relation between reservoir data and reservoir properties. The output of these types of neural networks is a conditional probability, rather than the single estimate provided by more traditional neural networks. A framework is presented where these networks can be integrated within any geostatistical simulation algorithm. We provide two examples of this novel approach. First we show how neural networks axe trained to build a non-linear relation between seismic amplitude data and reservoir facies. The trained neural network is used to constrain a fluvial reservoir to seismic amplitude data. A second example shows the worth of using neural networks in understanding and calibrating the non-linear relationship between the permeability heterogeneity and well test response data. The resultant neural network calibrated relationship is then used to condition multiple reservoir models to well test data using an iterative Gaussian simulation method.
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 | 0,003 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».