Deep Learning for Geothermal Reservoir Characterization: Estimating Rock Properties from Seismic Data Using Convolutional Neural Networks
Notice bibliographique
Résumé
Abstract Estimating rock properties is a crucial aspect of geothermal reservoir characterization, which plays a pivotal role in the efficient harnessing of geothermal energy. Rock properties include hydraulic properties, such as porosity and permeability, and elastic properties such as Poisson’s ratio, P-wave, S-wave velocity, bulk modulus, and acoustic impedance. Accurate determination of these properties allows geoscientists and reservoir engineers to assess and optimize the reservoir performance and assess the long-term stability of geothermal projects. Seismic inversion is the process of deriving these rock properties from seismic data. Conventional seismic inversion can be time-consuming and costly. Machine learning can effectively estimate rock properties which reducesthe need to rely on conventional seismic inversion, expensive lab experiments, and well logging data. This study aims to estimate keyrock properties (acoustic impedance, bulk modulus, density, permeability, Poisson’s ratio, and porosity) from the SCAN dataset using a convolutional neural network. The proposed U-net architecturewas used to develop models that rely on a full-stack seismic dataset as inputs to the model. Mean SquaredError (MSE) with a regularization factor was considered as a loss function when training the model and Mean Absolute Error (MAE) to assess the performance of the model. Results reveal an effective performance of the developed models in the estimation of rock properties with low MAE values ranging between 0.5-3 %. The higher MAE observed for the porosity and permeability estimation is attributed to poor data coverage in the ground truth data.This study demonstrates the potential of convolutional neural networks to predict rock properties from seismic data for efficient reservoir characterization.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».