کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
8124921 1522774 2018 14 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Robotized petrophysics: Machine learning and thermal profiling for automated mapping of lithotypes in unconventionals
ترجمه فارسی عنوان
پتروشیمی رباتیک: یادگیری ماشین و نمایه حرارتی برای نقشه برداری اتوماتیک لیتوتیپ های غیر متعارف
کلمات کلیدی
آمار زمین شناسی فراگیری ماشین، لیتوئیپت، خواص حرارتی نمونه هسته، تشکیل باژنوف،
ترجمه چکیده
ما روش پیش بینی انواع سنگ را ارائه می دهیم. این روش بر پایه حرارتی مستمر با رزولوشن بالا در امتداد نمونه های هسته ای کامل اندازه گیری می شود و برای سنگ ها از یک تشکیل غیر متعارف عمده استفاده می شود. روش استفاده از تجزیه طیفی فضایی و روش های یادگیری ماشین اجازه می دهد طبقه بندی خودکار از نمونه های هسته بر روی گروه های سنگ شناسی در یک بازه عمق استراتژیک جدا شده از یک چاه. نمونه های هسته اساسا با استفاده از نمایه های طیفی پروفیل خواص حرارتی بدست می آید که به وسیله یک روش غیررسمی مدرن، به لیتوتیپ های خاص طبقه بندی می شوند.
موضوعات مرتبط
مهندسی و علوم پایه علوم زمین و سیارات زمین شناسی اقتصادی
چکیده انگلیسی
We present a method for predicting rock types. The method is based on continuous high-resolution thermal logging along full-size core samples and being applied for rocks from a major unconventional formation. The method utilizes spatial spectral decomposition and machine learning approaches allowing automatic classification of the core samples over lithological groups within an isolated stratigraphic depth interval of a wellbore. The core samples are basically classified to the particular lithotypes by means of spectral representation of profiles of thermal properties obtained by a modern contactless method.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Journal of Petroleum Science and Engineering - Volume 167, August 2018, Pages 944-948
نویسندگان
, , , , ,