Well logs reconstruction of petroleum energy exploration based on bidirectional Long Short-term memory networks with a PSO optimization algorithm
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
During petroleum energy exploration, estimating missing well logs from existing logging data is very meaningful. Due to a highly nonlinear relationship between various logging data and a challenge to express the complexity of underground geological conditions by deterministic functions, traditional methods are difficult to meet the need of accurate interpretations of log data and fine descriptions of reservoirs. Nevertheless, deep learning method provides an advanced means for reconstructing well logs, and can directly map existing logging data to missing well logs. In this paper, we adopt the PSO-BiLSTM network that combines the BiLSTM (Bidirectional Long Short-term Memory) network with the PSO (Particle Swarm Optimization) algorithm. BiLSTM is an excellent data-driven method that can extract bidirectional temporal well logging data. PSO algorithm enhances the performance of BiLSTM model in predicting missing well logs through hyperparameter optimization, global search capability, and adaptive learning. At the same time, RMSE , MAE , and MAPE are used as indicators to evaluate the performance of PSO-BiLSTM model. The results show that when a PSO-BiLSTM model is applied to well logs reconstruction experiments , the reconstructed value of a log curve is in good agreement with its real value. Compared to LSTM and BiLSTM models, a PSO-BiLSTM model provides the best accuracy and stability in predicting missing well logs. The PSO-BiLSTM model strengthens the extraction of relevant logging information and reduces the error of parameter adjustment. It has an important reference significance for the reconstruction of well logs in complex formations.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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