Predicting Porosity by Multivariate Regression and Probabilistic Neural Network using Model-based and Coloured Inversion as External Attributes: A Quantitative Comparison
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract The acoustic impedance (AI) inversion aims to obtain a high-resolution impedance volume by integrating well-log and band-limited seismic data. Two AI inversion schemes: the coloured inversion (CI) and the model-based inversion (MBI) are utilized to characterize possible sand channel from the post-stack seismic section and log data from 13 wells from the Blackfoot region, Alberta, Canada. The results from analyses indicate that both the model-based and coloured inversion methods provide mutually consistent impedance volumes with an average correlation coefficient of 0.986 and 0.886 for MBI and CI, respectively. Both inversions show low-impedances ranging from 6750-7350m/s*g/cc between 1060ms and 1065ms time interval which is interpreted as a sand channel. The slice of the acoustic impedance variation along all cross line and inline validates the presence of low impedances along the interpreted sand channel. Thereafter, the multivariate regression and the Probabilistic Neural Network (PNN) are employed to predict porosity volumes using CI and MBI inverted impedance as external attributes. The cross-plots between predicted porosities and actual porosities using multivariate regression and PNN algorithms indicate that PNN produces better statistical estimates of porosity distribution compared to those predicted from the multivariate regression. Both methods show high porosity values along the sand channel. The maximum porosity in the sand channel is 18% when MBI derived impedance is used as an external attribute while it is 16% in the case of CI. The results suggest that given seismic and well log data for a region, a combination of model-based inversion and PNN can produce a more reliable estimate of the petrophysical properties of the sub-surface.
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.
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 | 0,001 | 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 | 0,000 |
| 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 découle