Single and Multi-Well Synthetic Well Log Generation using Multivariate Analysis
Notice bibliographique
Résumé
Abstract With the rapid development in machine learning (ML) and deep learning (DL) algorithms, computations power and availability of the massive amount of data, ML and DL approaches have gained a lot of interest in oil and gas industry and brought the data science and analytics into the forefront of this industry. Using traditional neural networks (NNs) to normalize log and generate synthetic well logs is not a new idea. However, the recent advancement in ML and DL methods encourages to further research and revisit the prediction power, discuss the methodological limits and further improve the approach and prediction algorithms in single and multi-well synthetic well log generation for reservoir characterization and formation evaluation. In this study a data-driven procedure was implemented based on deep neural networks for density generation using multivariate inputs of well log data. The density prediction was formulated as a depth series regression problem where multiple inputs including different open hole logs are used as the input of a reverse model that estimates density. Different recurrent DL structures including Long Short Term Memory, Gated Recurrent Units, and Bidirectional Recurrent Neural Networks were tested in this study to select the most time-efficient and high performance model for density log generation. The models were fed with different number of available curves to explore a relationship and potential predictive power of several variables on the target curve (density) to eliminate unnecessary and irrelevant curves and end up with a model that uses a few curves to generate the target curve. Training datasets consist of real well log data of 25 wells logged offshore Middle East. Different metrics (RMSE, MAE, and R2) were used to compare the performance of the models and stacked LSTM of three layers showed the highest performance. Using this approach companies could cut costs by generating high quality synthetic data with a faster turnaround and without the need of relogging.
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 | 0,000 | 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 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 ».