Identification of natural fractures in shale gas reservoirs using fracture signature function and machine learning models
Notice bibliographique
Résumé
Identifying fractures is important for optimizing recovery and enhancing oil recovery techniques. Identifying natural fractures using FMI and cores is expensive and unavailable for all wells. Therefore, predictive models based on conventional wireline logs are necessary. Extreme Gradient Boosting, Decision tree, Random Forest, Support Vector Machine, Feed Forward Neural Network, and Recurrent Neural Network were applied to identify natural fractures. This study uses well logs to develop a new Fracture Signature Function equation for determining natural fractures in the shale reservoir. This unsupervised approach requires no special image log to identify natural fractures. However, the class imbalance problem between the fracture and non-fractured zone often restricts the accuracy of the machine learning models, which require a predictive model not dependent upon the special logs and class imbalance problems in the prediction of fractured zones. Synthetic Minority Oversampling (SMOTE) and Random Oversampling (ROS) were applied to solve the class imbalance problem in the data. The results show that the machine learning models did not predict the fracture and non-fracture zones with acceptable accuracy even after applying SMOTE and ROS. Relative to all machine learning models, Random Forest predicted the results with the highest accuracy of 91 % and F1-Score of 17.6 %. The Fracture Signature Function (FSFn'') predicted the natural fractures with high accuracy except in zones with very complex borehole environments. A Forward Neural Network is more efficient in identifying fracture and non-fractured zones in imbalance class problems of the dataset. The Recurrent Neural Network's predictions were biased toward the major class related to the non-fractured zone of the studied interval. The newly developed equation can be used for natural fracture identification in drilling and production strategy design by using the easily available well-log data in class imbalanced conditions.
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 | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».