Applicability of decision tree-based machine learning models in the prediction of core-calibrated shale facies from wireline logs in the late Devonian Duvernay Formation, Alberta, Canada
Notice bibliographique
Résumé
Abstract Well logs provide insight into stratigraphically compartmentalized rock properties and are a cost-effective alternative to core. The identification of reservoir (and nonreservoir) facies in core, and their calibration to well-log response has traditionally relied on expert domain knowledge and is inherently inconsistent. Such analyses are time-consuming, tedious, error prone, and often biased due to a lack of objectivity. Automated lithologic interpretations from wireline logs appear to be a promising solution for identifying and understanding depositional complexity within a reservoir. Using the Duvernay Formation in the Western Canada Sedimentary Basin as a case study, the authors evaluate the applicability of decision tree-based machine learning (ML) methods in the prediction of core-calibrated facies and/or facies association distributions within wireline logs. The authors use three independent decision tree-based ML models to predict (1) facies (FACM), (2) facies associations (FAM), and (3) reservoir rock (RESM) from wireline logs. Model accuracies are 60.3%, 88.1%, and 88.1% for FACM, FAM, and RESM, respectively, but individual class F1 scores range from 0 to 0.92. The authors attribute discrepancies in individual class performance to interval thickness, sample proportion of training data, and distinguishability of the output class. Classes thicker than 3 m and encompassing at least 16% of the training data set have F1 scores greater than 0.60. The authors attribute exceptions to these general cutoffs to the ability to recognize diagnostic sedimentologic features observed in core. Results from this study help in understanding stratigraphic complexity in the absence of core aiding in subsurface characterization of reservoirs.
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 ».