Seismic reservoir characterization of the Gassum Formation in the Stenlille aquifer gas storage, Denmark — Part 2: Unsupervised classification
Notice bibliographique
Résumé
Abstract Ideally, a good static reservoir model provides an accurate estimate of the extent, porosity, permeability, and lithology of the container as well as the properties of the seal and any faults or fractures that may allow the reservoir to leak. The major pitfall of deterministic, statistical, or supervised learning workflows is that they estimate only the properties sampled by the wells or provided by empirical relations and may miss mapping heterogeneities in the reservoir and seal that can give rise to flow baffles and reservoir leakage. This shortcoming is exacerbated when the number of wells is small, the types of logs recorded are limited, and the migrated seismic gathers are absent or of limited quality. In contrast, unsupervised learning looks for patterns in the seismic amplitude and attribute volumes themselves. In this paper, we apply unsupervised learning algorithms to evaluate the natural gas storage Stenlille aquifer in Denmark and compare the results with a supervised multiattribute regression reservoir characterization described in a companion paper. Specifically, we apply principal component analysis, self-organizing mapping, and generative topographic mapping workflows to extract patterns across eight attribute volumes: relative acoustic impedance, energy, sweetness, gray level co-occurrence matrices (GLCM) entropy, curvedness, and three spectral magnitude volumes. We find that the large-scale patterns are similar, but that the unsupervised learning algorithms provide greater detail. Because our deterministic model was built on poststack data using the limited well-log data available, we believe that the heterogeneity mapped by the unsupervised learning workflows provides a relatively unbiased means of estimating risk in our reservoir model. Quantifying the importance of these anomalies will need to be reconciled with a dynamic reservoir model.
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 | 0,001 | 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 | 0,000 |
| 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 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 ».