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
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.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».