Modeling with Confidence: Leveraging Conformal Prediction for Calibrated Machine Learning Based Mechanical and Petrophysical Models
Notice bibliographique
Résumé
ABSTRACT: Machine learning (ML) is revolutionizing reservoir characterization practices by directly using well log and drilling data. However, deterministic predictions of ML models can be misleading and result in expensive mistakes. Hence, uncertainties in ML-predicted mechanical and/or petrophysical properties need to be well quantified. By leveraging a distribution-free and computationally efficient uncertainty quantification method called Conformal Prediction (CP), we can derive calibrated ML models and quantify the uncertainties in their predictions. Several ML models are developed for permeability and elastic modulus prediction in a geothermal site in south Saskatchewan. The Catboost model outperforms other models achieving an R2 of 0.91 and 0.92 for permeability and elastic modulus, respectively. A Conformal Prediction is then built on the selected ML models to complement the predictions with valid measures of prediction intervals with 95% coverage. For a test well, where two different lab-measured permeabilities exist, more than 90% of measured permeabilities fall within the 95% prediction interval. Triaxial geomechanical test results are also comfortably within the bounds of the 95% interval. This suggests that these models provide reliable predictions with limited uncertainties. This paper underscores the crucial role of uncertainty quantification of ML-based prediction models. The study demonstrates how quantifying uncertainty can enhance our confidence in ML-predicted reservoir properties for rigorous subsurface 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 | 0,003 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».