Bayesian optimization of capillary pressure data in hydraulic flow units using NMR
Notice bibliographique
Résumé
Nuclear magnetic resonance (NMR) data provides a comprehensive picture of the petrophysical description of a reservoir through effective characterization of fluid-rock properties. However, estimating the correct capillary pressure curves from NMR T 2 data in particular has been challenging with varied fluid saturation as it requires hydrocarbon correction. The earlier methods, either do not incorporate the hydrocarbon correction or exhibit limitations in their implementation, negatively impacting reservoir characterization. Therefore, in this work, a new methodology has been presented that estimates the P c in the reservoir at hydraulic flow units (HFUs) by using features of NMR T 2 and cumulative desaturation rate ∑(dS nw /dT 2 ) through a newly developed workflow. Which incorporates the NMR hydrocarbon correction and encompasses the ensemble-committee machine model (ECMM) that has been purpose-formulated with the Bayesian optimized best-performing algorithms of machine, ensemble, and deep learning through a systematic approach. Results show that the ECMM workflow gives a much better mean squared error (MSE) than individual intelligent models while predicting P c . ECMM has also been utilized to analyze the capillary pressure variability at HFUs which reveals that higher variance in capillary pressure values among HFUs cause model to underperform in terms of MSE and vice versa. The new methodology introduces a robust and cost-effective machine-learning incorporated workflow to estimate continuous capillary pressure for reservoirs having varied lithologies for effective 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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».