Mineralogical Characterization From Geophysical Well Logs Using a Machine Learning Approach: Case Study for the Horn River Basin, Canada
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 Accurate estimation of mineral composition is essential for refined reservoir characterization, thermal conductivity and mechanical determinations of sedimentary rocks, but is extremely challenging in shale units due to the mineralogical complexity, low porosity and ultra‐low permeability. Direct mineral measurements derived from laboratory X‐ray diffraction (XRD) analysis on core samples and borehole geochemical logging tool (GLT), and conventional geophysical logs from vertical wells penetrating sediments are widely available in some basins, which enables detailed mineralogical characterization of a well. A hybrid machine learning (ML) architecture that improves model training and validation by combining convolutional neural network (CNN) with XGBoost allows accurate description of the mineralogical compositions across a basin. We applied this ML approach to predict the mineral compositions using conventional well logs from the Horn River Basin, northeast British Columbia, Canada, where extensive drilling for shale‐gas and conventional hydrocarbon resources, complemented by high temperature geothermal energy potential is ideal for case testing. The predicted mineral compositions from the ML approach are consistent with the mineralogical readings from the GLT and are confirmed by the XRD mineral measurements. This allows basin‐wide mineral compositions mapping that reveals spatial trends of major mineral compositions and their relationship with the previously recognized geomechanical and geological features, which have important implications for thermal conductivity modeling, reservoir evaluation and extensive geological studies.
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 | 0,001 |
| 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 | 0,000 |
| 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 découle