New Data-Driven Method for Predicting Formation Permeability Using Conventional Well Logs and Limited Core Data
Notice bibliographique
Résumé
Abstract The need for improved data accuracy, cost effectiveness and delivery time to assist in decision making has gained importance in reservoir characterization and evaluation. This paper presents a robust and inexpensive data-driven method for predicting the formation permeability profile from conventional well logs (CWLs) using the support vector regression (SVR) technique with limited core measurements. The method's feasibility and applicability are demonstrated on one field data set from a North Sea well contained a complete suite of logs and extensive core measurements. The relationship between formation permeability and well logs is often overwhelming complex and nonlinear. We use the SVR method to establish the correlation between CWLs and limited core permeability, thereafter building a permeability-prediction model as a function of selected well logs. The basic logging data used here include density, neutron, deep resistivity, compressional and Stoneley wave slowness. The permeability derived from these well logs generally compares well with the measured core permeability. Additional logging data including the clay weight fraction, thorium/potassium content, or nuclear-magnetic-resonance (NMR) bulk volume movable and irreducible are also separately integrated into those basic logs to determine if the prediction accuracy can be improved. There is no obvious difference among the predicted permeability profiles even these additional well logs are added, which could imply that the basic logs are sufficient to generate the permeability with good accuracy. SVR method could be used to improve the log interpretation accuracy as shown in this study. It can be easily adapted to predict other rock electrical, mechanical and petrophysical properties when only conventional logs and few core measurements are available. It is especially useful for unconventional reservoirs where traditional models may not be applicable and new methods are still evolving. Such new data analysis technologies could optimize our logging service and core analysis planning.
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 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».