Prediction of centrifuge capillary pressure using machine learning techniques
Notice bibliographique
Résumé
In current literature in the petroleum industry, machine learning has been used to predict capillary pressure only on the centrifugal data points and not the complete capillary pressure curves generated from existing correlations after analysis. This paper will present novel information that will benefit the petroleum industry as it shows machine learning techniques can be used to obtain the complete capillary pressure curve which is the end goal in undertaking an SCAL centrifuge experiment. This research involves testing core samples using a centrifuge set up to produce capillary pressure data points. Then, using a commercial SCAL interpretation software, the collected data is utilized to generate complete capillary pressure curves based on developed literature correlations. RCAL data for the core samples is also obtained to be used with the machine learning techniques. The machine learning models are then applied to the collected data to predict the capillary pressure curves. Optimization of the different machine learning techniques is done to improve the predictions. The results show the machine learning techniques perform very well on the validation set after being trained on the training set. The machine learning models also provide reasonable prediction of the complete capillary pressure curves on the testing data set. Changing of the machine learning technique parameters also shows the effect on the overall precision and the improvements that can be made. Further research can be done to see the effectiveness of using machine learning techniques to predict other SCAL properties such as relative permeability. This can then greatly reduce the time needed to obtain these extremely important properties for reservoir characterization.
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 ».