Adaptive, Distribution-Free Uncertainty Quantification for Shear and Stoneley Wave Prediction Using Conformalized Ensemble Learning
Notice bibliographique
Résumé
Abstract The acquisition of shear (DTS) and Stoneley (DTST) wave transit times is indispensable for comprehensive reservoir characterization, yet it is often constrained by significant economic and operational limitations. This data gap has spurred the development of data-driven prediction models; however, a critical "credibility gap" persists. While modern machine learning (ML) models routinely achieve high point-accuracy metrics such as the coefficient of determination (R2), these metrics alone do not guarantee geologically plausible or reliable predictions for high-stakes engineering decisions, including wellbore stability analysis and hydraulic fracture design. This paper directly addresses this credibility gap by introducing and validating a robust and reliable workflow that moves beyond deterministic point estimates to provide rigorous, probabilistic forecasts. The proposed methodology couples high-performance, tree-based ensemble regressors with Conformalized Quantile Regression (CQR), a framework that generates statistically valid, sample-specific prediction intervals without making restrictive distributional assumptions about the data or model errors. Validated using a comprehensive dataset from the geologically complex, heterogeneous carbonate reservoirs of the South Pars gas field, the study reveals nuanced model performance: Random Forest proves optimal for single-well prediction (R2 >0.94), whereas a Stacked Ensemble demonstrates superior robustness for inter-well generalization (R2 >0.92). Crucially, the CQR framework successfully generated adaptive 90% prediction intervals that achieved the target empirical coverage, confirming the method's validity. This work provides a practical, validated methodology to generate trustworthy, probabilistic forecasts of acoustic logs, enabling quantitative risk assessment and bridging the divide between high-accuracy ML and the reliability demands of modern geomechanical, petrophysical, and geophysical analysis and reservoir and drilling engineering.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 ».