Integrating geological model via A multimodal machine learning approach in shale gas production forecast
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
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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