An Intelligent System for Multi-Label Classification Based on Particle Size and Shape Features using a Cascade Approach
Notice bibliographique
Résumé
Abstract Intelligent systems are becoming more and more popular in the petroleum industry. Particle Size Distribution (PSD) based on sieve size is a key signature of the unconsolidated/weakly consolidated sandstone formations and is commonly the main parameter in the sand control design. With available extensive PSD measurement techniques and a large number of measurements, especially for horizontal wells, it is necessary to classify the PSDs prior to further analysis for the sand control design. On the other hand, PSD analysis is not enough for sand control design, and particle shapes need to be taken into account as well. A successful clustering algorithm for the mentioned purposes needs to be a cascade, multi-label, unsupervised and self-adaptive approach since the particles can be assigned to more than one group and there is no prior idea on how many clusters should be formed after the clustering process. Besides, due to the differences between sieve size and shape features, they should be used separately for clustering the particles. In the current study, a cascade approach is used for clustering the particles. In the first level of the cascade, an unsupervised and self-adaptive algorithm is introduced based on the sieve size features. The algorithm optimizes the number of clusters through a self-adaptive and incremental approach. The proposed clustering method uses a minimum similarity threshold (δ) as the only input parameter to start the clustering and tries to minimize the number of clusters during the clustering. In the second level of the cascade, the similarity between all particles in each cluster with their corresponding cluster-center is measured, and those particles that do not respect the δ in terms of the shape similarity, are moved out of the cluster. The novelty of the proposed method is in three folds. The first one is to provide a particle clustering algorithm, which works based on the whole range of the sizes and shape descriptors rather than focusing on certain points in the size graph (D-values). The second one is the dynamic nature of the clustering, which tends to optimize the number of clusters during the clustering process. The third one is that we have used a cascade approach for involving both size and shape parameters for the clustering. Our proposed method can be applied in field application for downhole monitoring and sand screen design.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».