Bayesian artificial intelligence for geologic prediction: Fracture case study, Horn River Basin
Notice bibliographique
Résumé
Abstract A Bayesian Belief Network (BN) has been developed to predict fractures in the subsurface during the early stages of oil and gas exploration. The probability of fractures provides a first-order proxy for spatial variations in fracture intensity at a regional scale. Nodes in the BN, representing geologic variables, were linked in a directed acyclic graph to capture key parameters influencing fracture generation over geologic time. The states of the nodes were defined by expert judgment and conditioned by available datasets. Using regional maps with public data from the Horn River Basin in British Columbia, Canada, predictions for spatial variations in the probability of fractures were generated for the Devonian Muskwa shale. The resulting BN analysis was linked to map-based predictions via a geographic information system. The automated process captures human reasoning and improves this through conditional probability calculations for a complex array of geologic influences. A comparison between inferred high fracture intensities and the locations of wells with high production rates suggests a close correspondence. While several factors could account for variations in production rates from the Muskwa shale, higher fracture densities are a likely influence. The process of constructing and cross-validating the BN supports a consistent approach to predict fracture intensities early in exploration and to prioritize data needed to improve the prediction. As such, BNs provide a mechanism to support alignment within exploration groups. As exploration proceeds, the BN can be used to rapidly update predictions. While the BN does not currently represent time-dependent processes and cannot be applied without adjustment to other regions, it offers a fast and flexible approach for fracture prediction in situations characterized by sparse data.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».