MétaCan
Menu
Retour à la cohorte
Enregistrement W2160933623 · doi:10.1190/urtec2013-115

Liquids-Rich Resource Play Characterization Using Well Log Analysis Calibrated with Rock Properties from Drill Cuttings

2013· article· en· W2160933623 sur OpenAlexaff
Eric Vosburgh, O. Djordjevic, J. A. Rushing

Notice bibliographique

RevueUnconventional Resources Technology Conference, Denver, Colorado, 12-14 August 2013 · 2013
Typearticle
Langueen
DomaineEngineering
ThématiqueHydrocarbon exploration and reservoir analysis
Établissements canadiensApache (Canada)
Organismes subventionnairesnon disponible
Mots-clésDrill cuttingsDrillCharacterization (materials science)GeologyResource (disambiguation)Reservoir modelingPetroleum engineeringComputer scienceDrillingEngineeringMaterials scienceDrilling fluidNanotechnology

Résumé

récupéré en direct d'OpenAlex

URTeC 1620306 This paper presents results of a study evaluating the accuracy of well log analyses calibrated with rock properties measured from core and drill cuttings compared to a calibration using rock properties from just drill cuttings. The study wells are producing from a liquids-rich resource play in the Permian Basin of West Texas, USA. The results of our comparative study suggest that, when core data are not available, an acceptable alternative approach is to substitute limited but selected rock properties that can be measured accurately from drill cuttings. While the preferred method is to use whole core, logs calibrated in our study using cuttings-derived rock properties compare favorably to those calibrated using core measurements. Further, the abundance of representative cuttings available from most wells combined with the small rock sample volumes required for accurate laboratory measurements ensure the practical applicability of this method. Finally, the laboratory techniques for measuring the selected cuttings-derived rock properties used in our calibration process are well established by most commercial laboratories, thereby making this alternative approach both technically viable and cost effective.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,013

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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.

Tête enseignante Opus0,012
Tête enseignante GPT0,190
Écart entre enseignants0,178 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueUnconventional Resources Technology Conference, Denver, Colorado, 12-14 August 2013Même sujetHydrocarbon exploration and reservoir analysisTravaux en français237 207