Leveraging petrophysical and geological constraints for AI-driven predictions of total organic carbon (TOC) and hardness in unconventional reservoir prospects
Notice bibliographique
Résumé
Key parameters for evaluating shale reservoirs include total organic carbon (TOC), thermal maturity, and hardness, the latter influencing fracture development and being crucial for managing ultralow permeability reservoirs. These parameters are often derived from costly, time-consuming core sample analyses and may be limited in availability. Recently, machine learning (ML) and deep learning (DL) have effectively predicted TOC and hardness from well logs but often require large datasets and lack integration with petrophysical and geological constraints. This study examines the impact of incorporating these constraints on prediction accuracy using four manually fine-tuned ML algorithms: Random Forest (RF), Support Vector Regression (SVR), XGBoost (XGB), and Artificial Neural Network (ANN). Data from five wells in the Horn River Basin (HRB) comprising 6366 data points were analyzed, with TOC and hardness values for 612 and 3492 points, respectively. Petrophysical constraints were derived from triple combo well logs (gamma ray, bulk density, neutron porosity), while geological constraints included stratigraphic data or spatial distance between training and target wells—petrophysical constraints most improved predictions, while stratigraphic and spatial constraints had progressively less impact. Our optimized models achieved R2 (coefficient of determination) of 0.89 and RMSE (root-mean-square error) of 0.47 for TOC predictions and 0.90 and 34.8 for hardness predictions, reducing RMSE by up to 13.52% compared to the unconstrained model. The XGB algorithm emerged as the best choice, and integrating domain knowledge transforms a data-driven method into a scientifically driven one, enhancing prediction accuracy and aligning model predictions with petrophysical and geological intricacies.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».