Tree-based, boosting, and stacked models for accurate prediction of total organic carbon from conventional well logs
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
Rock-Eval pyrolysis provides accurate total organic carbon (TOC) measurements but are expensive, time-intensive, and reliant on the availability and quality of rock samples. The Passey method, a well log-based approach, serves as an alternative; however, it often underestimates TOC compared to laboratory analyses. To address these limitations, this study introduces several innovative machine learning (ML) frameworks for TOC estimation, such as ExtraTrees (ET), Gradient Boosting (GB), and XGBoost (XGB), along with three stacked hybrid models (HM1, HM2, and HM3) that integrate ET, GB, and XGB in different combinations, resulting in a total of six distinct models. Except for XGBoost, these models have not been previously applied to TOC prediction, underscoring the novelty of this study. Among the models, ET achieves the maximum prediction accuracy, with a correlation coefficient (R²) of 0.9825 and root mean square error (RMSE) of 0.2483, followed closely by GB, which yields similar performance. A feature importance analysis, conducted using the best-performing ET model through sequential parameter exclusion, identifies gamma ray as the most influential predictor, while resistivity has the least impact on TOC estimation. The Passey method exhibits significantly lower predictive accuracy (R² = 0.621, RMSE = 1.018), further demonstrating the superiority of ML models. The evaluation of TOC is conducted here utilizing 125 core samples and well log data from the Shahejie Formation in the Dongying Depression, Bohai Bay, China. Additionally, the proposed methodology has been evaluated in an entirely new region located in Alberta, Canada, to improve the generalizability of this work. • Six machine learning models have been developed for TOC prediction. • ExtraTrees performed best among the proposed models. • Traditional Passey method exhibited significantly lower predictive accuracy. • Acoustic log is the most significant feature, while neutron is the least. • Validation of the proposed methodology in an entirely new field is performed.
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 | 0,000 | 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 découle