Log-Derived Permeability in a Heterogeneous Carbonate Reservoir of Middle East, Abu Dhabi, Using Artificial Neural Network
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 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.
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) | 0,001 | 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 découle