Notice bibliographique
Résumé
Technology Focus The future is here; a machine can learn games and beat the world’s best players. What a fascinating time we are living in—Industrial Revolution 4.0. In December 2017, news broke that AlphaZero decisively beat the world’s best players in chess after its older sibling, AlphaGo, defeated the world champions in the ancient game of go a couple of years earlier. These games have been won by machine learning and artificial intelligence. What effects will Industrial Revolution 4.0 have on the upstream oil and gas business in general and petrophysics in particular? We should see more intelligence and automation in measurements, processes, work flows, and operations, which should result in more-consistent results, better-quality answer products, and less nonproductive time (i.e., improved quality, efficiency, and productivity with less cost). Historically, petrophysics is based on physical principles or empirical relationships, as illustrated in paper SPE 191296 on predicting crude-oil viscosity. With Industrial Revolution 4.0, a new era in petrophysics has begun. The logging tools are smarter (as demonstrated in paper SPE 190062 dealing with environmental corrections to some of the deliverables of pulsed-neutron logs that can be performed automatically). And the operational and data-interpretation work flows are more automated (as shown in paper SPE 187040, which details formation testing and sampling jobs that can be done semiautomatically through standardizing terminologies, measurement uncertainties, and data quality-control criteria). In playing games such as go and chess, machines learn on the basis of man-made game rules. In petrophysics, rules are often data-driven, so data quality becomes critically important. It is always true that having bad data is worse than having no data. Density, representativeness, and coverage are other parameters of the data besides data quality that are required for data-driven petrophysics. Recommended additional reading at OnePetro: www.onepetro.org. SPE 189807 Characterization of Reservoir Quality in Tight Rocks Using Drill Cuttings: Examples From the Montney Formation, Alberta, Canada by A. Ghanizadeh, University of Calgary, et al. SPE 188804 Low-Resistivity Pay Identification in Lower Cretaceous Carbonates, Onshore UAE by J.L. Ruiz, ADCO, et al. SPE 187371 Saturation Mapping in the Interwell Reservoir Volume: A New Technology Breakthrough by Alberto F. Marsala, Saudi Aramco, et al.
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 | 0,029 | 0,066 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,010 | 0,005 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,097 | 0,051 |
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 ».