Data-driven model for shear wave transit time prediction for formation evaluation
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 Sonic well logs provide a cost-effective and efficient non-destructive tool for continuous dynamic evaluation of reservoir formations. In the exploration and production of oil and gas reservoirs, these sonic logs contain crucial information about the formation. However, shear sonic logs are not acquired in all oil and gas exploration wells. More so, many offset wells are not run with the most recent sonic logging tools capable of measuring both shear and compressional sonic transit times due to the relatively high costs of running such equipment. And in wells where they are deployed, they are run only over limited intervals of the formation. Such wells lack continuous shear wave transit time measurements along the formation. In this study, an exponential Gaussian process model is presented. The model accurately predicts the shear wave transit times in the formations which lack reliable shear wave transit time measurements. The proposed model is developed using an array of well logs, namely depth, density, porosity, gamma ray, and compressional transit time. A Monte Carlo simulation is used to quantify the proposed model uncertainty. The shear sonic transit time predictions are used to estimate some formation deformation properties, namely Young’s modulus and Poisson’s ratio of a reservoir formation. The results suggest that shear transit time can be represented and predicted by Gaussian-based process model with RMSE, R 2 , and MSE of 11.147, 0.99, and 124.6, respectively. The proposed model provides a reliable and cost-effective tool for oil and gas dynamic formation evaluation. The findings from this study can help for better understanding of shear transit times in formations which do not have multipole sonic logs or where data have been corrupted while logging in the Niger Delta.
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 | 0,001 |
| 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 découle