Toward real-time fracture detection on image logs using deep convolutional neural network YOLOv5
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 Fractures in reservoirs have a profound impact on hydrocarbon production operations. The more accurately fractures can be detected, the better the exploration and production processes can be optimized. Therefore, fracture detection is an essential step in understanding the reservoir’s behavior and the stability of the wellbore. The conventional method for detecting fractures is image logging, which captures images of the borehole and fractures. However, the interpretation of these images is a laborious and subjective process that can lead to errors, inaccuracies, and inconsistencies, even when aided by software. Automating this process is essential for expediting operations, minimizing errors, and increasing efficiency. Although there have been some attempts to automate fracture detection, this paper takes a novel approach by proposing the use of YOLOv5 as a deep-learning (DL) tool to detect fractures automatically. YOLOv5 is unique in that it excels at speed, training, and detection while maintaining high accuracy in fracture detection. We observe that YOLOv5 can detect fractures in near real time with a high mean average precision of 98.2, requiring significantly less training than other DL algorithms. Furthermore, our approach overcomes the shortcomings of other fracture detection methods. Our method has many potential benefits, including reducing manual interpretation errors, decreasing the time required for fracture detection, and improving fracture detection accuracy. Our approach can be used in various reservoir engineering applications, such as hydraulic fracturing design, wellbore stability analysis, and reservoir simulation. By using this technique, the efficiency and accuracy of hydrocarbon exploration and production can be significantly improved.
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 | 0,000 |
| 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 découle