The Prediction of Three Key Properties on Coalbed Methane Reservoir Using Artificial Intelligence
Notice bibliographique
Résumé
This research focuses on creating the prediction tools for the three key properties in coalbed methane (CBM) reservoir; the properties are gas content, Langmuir parameters, and permeability. Basically, their roles are to describe the gas in place and also future dynamic behavior of CBM reservoir. These three key properties are tried to be predicted with open-hole data as the inputs.It uses artificial neural network (ANN) and adaptive neuro fuzzy inference system (ANFIS) to generate the prediction tools. It is started from data preparation and processing, then pattern or function identifications, and finalized by validation and testing. Several training algorithms are applied for ANN such as adaptive gradient descent (ANN_GDX), Levenberg-Marquardt (ANN_LM), resilient backpropagation (ANN_RP), scaled conjugate gradient (ANN_SCG), and Bayesian regularization algorithm (ANN_BR). The first fives employ the early stopping technique for regularization, and the last one does Bayesian regularization. On the other hand, the ANFIS will use only early stopping technique.Based on this research, it is concluded that both ANN and ANFIS are able to identify the patterns or function between open-hole log data and the three key properties (TKP). Furthermore, it can be concluded that ANN_LM, ANFIS, and ANN_BR are the best selected algorithms which resulted the lowest error of TKP’s predictions.
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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».