Integrating geological model via A multimodal machine learning approach in shale gas production forecast
Notice bibliographique
Résumé
Machine learning (ML) has achieved great success in production prediction for unconventional shale gas reservoirs. However, these methods mostly rely on the discrete data collected from the wells, such as drilling, completion, and production data. In this study, a multimodal ML approach is proposed to incorporate not only the aforementioned tabular data but also the geological property distribution maps surrounding the production wells. More specifically, a visual parameterization method was applied to preprocess the unstructured data from a 3D geological model to account for the geology properties near the horizontal wells. A comprehensive architecture for a multimodal model was then developed, assimilating a convolutional neural network (CNN) module, an artificial neural network (ANN) module, and a fusion module. The CNN module was established to process and extract high-level information from the visual dataset, while the ANN module was devised to learn from traditional tabular datasets. A fusion module combined and interacted with the data from both modalities. Results have shown that the proposed multimodal model achieved the highest testing R 2 of 0.828 by integrating the formation maps with tabular datasets, compared to 0.736 from ANN. This is owing to the fact that two wells with similar porosity values measured at well sites could penetrate formations with different qualities along their thousand meters of lateral length. Visual feature analysis indicates that while integrating more property distribution maps generally increases model accuracy, considerable improvement (from 0.736 to 0.816) is achieved by solely incorporating porosity maps. • Incorporating geological maps by multimodal architecture raises R 2 from 0.74 to 0.83. • Significant improvement can be achieved by solely incorporating porosity maps. • An optimal width exists for geo-patching to maximize model performance. • Alignment test validates synchronization between tabular and visual datasets.
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 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».