Case History: Comparison of linear regression and a probabilistic neural network to predict porosity from 3-D seismic attributes in Lower Brushy Canyon channeled sandstones, southeast New Mexico
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract The Lower Brushy Canyon Formation of the Delaware Basin, New Mexico, consists of a series of overlying sand-filled channels and associated fans separated by laterally extensive organic siltstone and carbonate interbeds. This laterally and vertically complex geology creates the need for precise interwell estimation of reservoir properties. In this paper we integrate wireline log and 3-D seismic data to directly predict porosity in the area of an existing oil field in southeast New Mexico. The 3-D seismic data were used to interpret the location of major stratigraphic markers between wells, and these seismic horizons were used to constrain a time window for a volume-based attribute analysis. Stepwise regression and crossvalidation were used to combine seismic attributes to predict porosity in wells where the porosity was known from the well logs. The results of a linear regression porosity model showed good correlation (r2 = 0.74) between seven seismic attributes and the observed porosity logs at 11 wells in the study area, but the porosity volume created from the regression model did not display the known geologic features. A probabilistic neural network was then trained to look for a nonlinear relationship between the input data (the seven attributes) and the observed porosity at the 11 wells. The correlation was better (r2 = 0.82), but the biggest improvement over the linear regression model came in the more geologically realistic predicted porosity distribution.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 découle