Log-Derived Permeability in a Heterogeneous Carbonate Reservoir of Middle East, Abu Dhabi, Using Artificial Neural Network
Notice bibliographique
Résumé
Abstract Estimation of permeability in carbonates has been a challenge for many years. Well logs, particularly high-resolution logs, are influenced by rock properties. Therefore, when there is limited core coverage and scarce high-resolution log data, permeability estimation using the standard suite of logs (resistivity, density, neutron, caliper, gamma ray) is crucial for populating and constraining a 3D geological permeability model. Two new traces, the deep and micro resistivity activity traces, are derived from the corresponding resistivity logs. The activity traces are not affected by fluid effects and, thus, preserve better the formation characteristics. Permeability estimation using an artificial neural network approach is made through a two-step process. In the first step, probabilities of log-derived rock types are estimated from a trained neural network using the micro and deep resistivity activity traces, and the standard suite of logs as input. In the second step, a separately trained neural network uses rock type probabilities from step 1, along with a suite of logs to predict permeability. Two examples are provided to illustrate the validity of the method in predicting permeability in a heterogeneous carbonate reservoir located in Abu Dhabi, UAE. This reservoir exhibits permeability ranging from half a milli-Darcy to more than 20 Darcies. The first example represents a blind test where the estimated permeability shows good agreement with core permeability data. The second example demonstrates the predictive capability of the method in a non-cored well that is located in the vicinity of cored wells. The estimation technique is robust and was found valuable to supplement core data in the construction of geo-cellular permeability models.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».