Mineralogical Characterization From Geophysical Well Logs Using a Machine Learning Approach: Case Study for the Horn River Basin, Canada
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».