Machine Learning Approach to Predict the Illite Weight Percent of Unconventional Reservoirs from Well-Log Data: An Example from Montney Formation, NE British Columbia, Canada
Notice bibliographique
Résumé
Shale mineralogy is critical for the proper design and execution of hydraulic fracturing operations and for evaluating production potential. There has been relatively little research into using artificial intelligence for mineralogical prediction for the Montney Formation. This study aims to predict the Montney Formation illite wt.% using readily available conventional logs, where illite is one of the constituents of shale and can aid in analyzing the brittle and ductile zones within the shale formation. The wt.% of illite is often determined by examining core samples or cuttings using XRD or QEMSCAN; both techniques are time-consuming, costly, and cannot be performed without physical samples. Based on conventional log readings, this study uses artificial neural networks (ANNs) and principal component analysis (PCA) to construct an accurate prediction model for illite wt.%. The feed-forward neural network (FFNN) obtained good overall performance in illite wt.% prediction (R2 = 92%) utilizing the backpropagation algorithm and the B.R. technique for eight input parameters. The ANN model was tested by randomly selecting three wells from the same log dataset excluded from the core training and testing phases. Overall, R2 = 88.5% was found in the tests, which is encouraging. This work demonstrates the viability of employing the ANN in applications involving evaluating mineralogical components of a target source rock using traditional logs, especially when geochemical data are missing or inadequate.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».