Optimized machine learning models for natural fractures prediction using conventional well logs (Запись № 668642)
[ простой вид ]
| 000 -Маркер | |
|---|---|
| Поле контроля фиксированной длины | 04596nlm1a2200541 4500 |
| 005 - Идентификатор версии | |
| Поле контроля фиксированной длины | 20231030042155.0 |
| 035 ## - Другие системные номера | |
| Идентификатор записи | (RuTPU)RU\TPU\network\39879 |
| 035 ## - Другие системные номера | |
| Идентификатор записи | RU\TPU\network\39321 |
| 100 ## - Данные общей обработки | |
| Данные общей обработки | 20230116a2022 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 | Optimized machine learning models for natural fractures prediction using conventional well logs |
| Первые сведения об ответственности | S. Tabasi, P. S. Tehrani, M. Rajabi [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: 52 tit.] |
| 330 ## - Резюме или реферат | |
| Текст примечания | Identifying and characterizing natural fractures is essential for understanding fluid flow and drainage in many oil and gas reservoirs, particularly carbonate. The presence of fractures often enhances fluid recovery but substantially complicates reservoir flow performance. Information from cores and formation imaging logs is constrained by their availability and cost. Reliably predicting fracture density using petrophysical logs and machine learning (ML) is therefore a desirable objective for fields with reservoirs displaying intermittent and sparsely distributed fractures. In the first step, Hybrid ML-optimizer models are developed and applied to a large, high- resolution, dataset (10 petrophysical variables; 3395 data records; ∼12% of the records displaying fractures) from the Asmari fractured carbonate reservoir in Iran's Marun oil and gas field. Fracture density measured with a formation image log from one well is predicted by supervised learning using five hybrid models. The models use six of the ten petrophysical variables considered, based on feature selection, to predict fracture density. |
| 330 ## - Резюме или реферат | |
| Текст примечания | The selected variables are: corrected gamma ray (CGR), neutron porosity (NPHI); compressional sonic transition time (DT); interpreted sonic porosity (PHIS); bulk formation density (RHOB); and, the photoelectric absorption factor (PEF). The models enhance the performance of distance-weighted K-nearest neighbor (DWKNN) and neural network (MLP) with firefly and artificial bee colony optimizers. The novel firefly-KNN model achieves higher fracture density prediction accuracy than the other models. It is further refined by executing it in two layers: the first layer detects fractures; the second layer predicts fracture density. The double-layer-firefly-KNN model (DL-FF-DWKNN) achieves excellent prediction accuracy of fracture density for the Asmari carbonate (Precision = 99%, Recall = 97%, and F1-score = 98%). This correlation-free data matching technique substantially outperforms the correlation-dependent neural network models evaluated for this dataset with sparsely distributed fractured zones. The generalizability of the developed algorithms is tested with datasets from two other Marun field wells achieving prediction results that confirm high accuracy in fracture detection and prediction of fracture density (FVDC). |
| 333 ## - Примечания об особенностях распространения и использования | |
| Текст примечания | |
| 461 ## - Уровень набора | |
| Заглавие | Fuel |
| 463 ## - Уровень физической единицы | |
| Заглавие | Vol. 326 |
| Обозначение тома | [124952, 19 p.] |
| 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 | quantified fracture density |
| 610 1# - Неконтролируемые предметные термины | |
| Предметный термин | petrophysical data matching |
| 610 1# - Неконтролируемые предметные термины | |
| Предметный термин | two-layer nearest-neighbor algorithm |
| 610 1# - Неконтролируемые предметные термины | |
| Предметный термин | borehole imaging log |
| 610 1# - Неконтролируемые предметные термины | |
| Предметный термин | fractured carbonate reservoir |
| 610 1# - Неконтролируемые предметные термины | |
| Предметный термин | sparse fracture distribution |
| 610 1# - Неконтролируемые предметные термины | |
| Предметный термин | плотность |
| 610 1# - Неконтролируемые предметные термины | |
| Предметный термин | трещины |
| 610 1# - Неконтролируемые предметные термины | |
| Предметный термин | петрофизические данные |
| 610 1# - Неконтролируемые предметные термины | |
| Предметный термин | карбонатные коллекторы |
| 701 #1 - Имя лица – альтернативная ответственность | |
| Начальный элемент ввода | Tabasi |
| Часть имени, кроме начального элемента ввода | S. |
| Расширение инициалов личного имени | Somayeh |
| 701 #1 - Имя лица – альтернативная ответственность | |
| Начальный элемент ввода | Tehrani |
| Часть имени, кроме начального элемента ввода | P. S. |
| Расширение инициалов личного имени | Pezhman Soltani |
| 701 #1 - Имя лица – альтернативная ответственность | |
| Начальный элемент ввода | Rajabi |
| Часть имени, кроме начального элемента ввода | M. |
| Расширение инициалов личного имени | Meysam |
| 701 #1 - Имя лица – альтернативная ответственность | |
| Начальный элемент ввода | Wood |
| Часть имени, кроме начального элемента ввода | D. A. |
| Расширение инициалов личного имени | David |
| 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 #1 - Имя лица – альтернативная ответственность | |
| Начальный элемент ввода | Ghorbani |
| Часть имени, кроме начального элемента ввода | H. |
| Расширение инициалов личного имени | Hamzeh |
| 701 #1 - Имя лица – альтернативная ответственность | |
| Начальный элемент ввода | Mohamadian |
| Часть имени, кроме начального элемента ввода | N. |
| Расширение инициалов личного имени | Nima |
| 701 #1 - Имя лица – альтернативная ответственность | |
| Начальный элемент ввода | Ahmadi |
| Часть имени, кроме начального элемента ввода | A. M. |
| Расширение инициалов личного имени | Alvar Mehdi |
| 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 | 20230116 |
| Правила каталогизации | RCR |
| 856 4# - Местонахождение электронных ресурсов и доступ к ним | |
| Универсальный идентификатор ресурса | https://doi.org/10.1016/j.fuel.2022.124952 |
| 090 ## - System Control Numbers (Koha) | |
| Koha biblioitem number (autogenerated) | 668642 |
| 942 ## - Добавленные элементы ввода (Коха) | |
| Тип документа | Computer Files |
Нет доступных единиц.