A robust approach to pore pressure prediction applying petrophysical log data aided by machine learning techniques (Запись № 666867)
[ простой вид ]
| 000 -Маркер | |
|---|---|
| Поле контроля фиксированной длины | 03835nlm1a2200481 4500 |
| 005 - Идентификатор версии | |
| Поле контроля фиксированной длины | 20231030042051.0 |
| 035 ## - Другие системные номера | |
| Идентификатор записи | (RuTPU)RU\TPU\network\38071 |
| 035 ## - Другие системные номера | |
| Идентификатор записи | RU\TPU\network\38002 |
| 100 ## - Данные общей обработки | |
| Данные общей обработки | 20220202a2022 k y0engy50 ba |
| 101 0# - Язык ресурса | |
| Язык текста, звукозаписи и т.д. | английский |
| 135 ## - Поле кодированных данных: электронные ресурсы | |
| Кодированные данные для электронного ресурса | drcn ---uucaa |
| 181 #0 - Поле кодированных данных: вид содержания | |
| Код вида содержания | i |
| 182 #0 - Поле кодированных данных: средство доступа | |
| Код средства доступа | electronic |
| 200 1# - Заглавие и сведения об ответственности | |
| Основное заглавие | A robust approach to pore pressure prediction applying petrophysical log data aided by machine learning techniques |
| Первые сведения об ответственности | Zhang Guodao, Sh. Davoodi, Shamshirband Shahab [et al.] |
| 203 ## - Вид содержания и средство доступа | |
| Вид содержания | |
| Средство доступа | |
| 300 ## - Общие примечания | |
| Текст примечания | Title screen |
| 320 ## - Примечания о наличии в ресурсе библиографии/указателя | |
| Текст примечания | [References: P. 2245-2247] |
| 330 ## - Резюме или реферат | |
| Текст примечания | Determination of pore pressure (PP), a key reservoir parameter that is beneficial for evaluating geomechanical parameters of the reservoir, is so important in oil and gas fields development. Accurate estimation of PP is also essential for safe drilling of oil and gas wells since PP data are used as the input for safe mud window determination. In the present study, empirical equations along with machine learning methods, namely random forest algorithm, support vector regression (SVR) algorithm, artificial neural network (ANN) algorithm, and decision tree (DT) algorithm, are employed for PP prediction applying well log data. To this end, 2827 data records collected from three wells (Well A, Well B, and Well C) drilled in one of the Middle East oil fields are used. The dataset of Wells A and B is used for models' training, validating, and testing, while Well C dataset is applied for evaluating the models' generalizability in PP prediction in the field under study. To construct the predictive algorithms, 12 input variables are initially considered in the study. A feature selection analysis is conducted to find the most influential input variables set for developing PP predictive models. The results obtained suggest that the 9-input-variable set is the most efficient combination of inputs used in the ML models construction. Among all the four ML algorithms proposed, the DT algorithm presents the most accurate predictions for PP, delivering R2 and RMSE values of 0.9985 and 14.460 psi, respectively. Furthermore, the model generalization analysis results reveal that the 9-input-variable DT model developed can be used for PP prediction throughout the field of study since it presented an excellent accuracy performance in predicting PP when applied to Well C dataset. |
| 333 ## - Примечания об особенностях распространения и использования | |
| Текст примечания | |
| 461 ## - Уровень набора | |
| Заглавие | Energy Reports |
| 463 ## - Уровень физической единицы | |
| Заглавие | Vol. 8 |
| Обозначение тома | [P. 2233-2247] |
| Дата публикации | 2022 |
| 610 1# - Неконтролируемые предметные термины | |
| Предметный термин | электронный ресурс |
| 610 1# - Неконтролируемые предметные термины | |
| Предметный термин | труды учёных ТПУ |
| 610 1# - Неконтролируемые предметные термины | |
| Предметный термин | pore pressure |
| 610 1# - Неконтролируемые предметные термины | |
| Предметный термин | machine learning algorithms |
| 610 1# - Неконтролируемые предметные термины | |
| Предметный термин | petrophysical data |
| 610 1# - Неконтролируемые предметные термины | |
| Предметный термин | decision tree algorithm |
| 610 1# - Неконтролируемые предметные термины | |
| Предметный термин | алгоритмы |
| 610 1# - Неконтролируемые предметные термины | |
| Предметный термин | машинное обучение |
| 610 1# - Неконтролируемые предметные термины | |
| Предметный термин | петрофизические данные |
| 610 1# - Неконтролируемые предметные термины | |
| Предметный термин | поровое давление |
| 701 #0 - Имя лица – альтернативная ответственность | |
| Начальный элемент ввода | Zhang Guodao |
| 701 #1 - Имя лица – альтернативная ответственность | |
| Начальный элемент ввода | Davoodi |
| Часть имени, кроме начального элемента ввода | Sh. |
| Дополнения к именам, кроме дат | specialist in the field of petroleum engineering |
| -- | Research Engineer of Tomsk Polytechnic University |
| Даты | 1990- |
| Расширение инициалов личного имени | Shadfar |
| -- | stltpush |
| Идентификатор авторитетной/ нормативной записи | (RuTPU)RU\TPU\pers\46542 |
| 701 #0 - Имя лица – альтернативная ответственность | |
| Начальный элемент ввода | Shamshirband Shahab |
| 701 #0 - Имя лица – альтернативная ответственность | |
| Начальный элемент ввода | Ghorbani Hamzeh |
| 701 #0 - Имя лица – альтернативная ответственность | |
| Начальный элемент ввода | Mosavi Amir |
| 701 #0 - Имя лица – альтернативная ответственность | |
| Начальный элемент ввода | Moslehpour Massoud |
| 712 02 - Наименование организации – вторичная ответственность | |
| Начальный элемент ввода | Национальный исследовательский Томский политехнический университет |
| Структурное подразделение | Инженерная школа природных ресурсов |
| -- | Отделение нефтегазового дела |
| -- | 8084 |
| -- | stltpush |
| Идентификатор авторитетной/ нормативной записи | (RuTPU)RU\TPU\col\23546 |
| 801 #2 - Источник записи | |
| Страна | RU |
| Организация | 63413507 |
| Дата составления | 20220202 |
| Правила каталогизации | RCR |
| 856 4# - Местонахождение электронных ресурсов и доступ к ним | |
| Универсальный идентификатор ресурса | https://doi.org/10.1016/j.egyr.2022.01.012 |
| 090 ## - System Control Numbers (Koha) | |
| Koha biblioitem number (autogenerated) | 666867 |
| 942 ## - Добавленные элементы ввода (Коха) | |
| Тип документа | Computer Files |
Нет доступных единиц.