کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
8915343 1641096 2018 29 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Machine learning approaches for petrographic classification of carbonate-siliciclastic rocks using well logs and textural information
ترجمه فارسی عنوان
روش های یادگیری ماشین برای طبقه بندی پتروگرافی سنگ های کربنات-سیلیکات سنگ با استفاده از سیاهههای مربوط و اطلاعات بافت
کلمات کلیدی
فراگیری ماشین، طبقه بندی پتروگرافی، سیاه چاله ها، اطلاعات متنی،
ترجمه چکیده
تعریف سنگ شناسی در چاه های نفتی با استفاده از تجزیه و تحلیل های مختلف ژئوفیزیکی نقش مهمی در فرآیند مشخص سازی مخزن دارد. از این می توان مدل های سنگ شناسی تولید کرد که به نوبه خود با خصوصیات پتروفیزیک پر می شود و سپس می تواند در شبیه سازهای جریان برای درک و بررسی رفتار یک میدان نفتی مورد استفاده قرار گیرد. شناسایی سنگ شناسی را می توان با روش های مستقیم و غیر مستقیم انجام داد، اما این روش ها همیشه به دلیل هزینه یا عدم نتایج نتایج تولید شده امکان پذیر نمی باشد. در نتیجه، نیاز به خودکار سازی فرایند خصوصی سازی مخزن وجود دارد و در این زمینه، تکنیک های هوش محاسباتی به عنوان جایگزین برای شناسایی سنگ شناسی به نظر می رسد. در این مقاله استراتژی های متعادل سازی به منظور مقابله با فقدان داده ها به دلیل ویژگی های فرآیندهای متمایز دیگنتیک اجرا می شود. شش روش یادگیری ماشین با تکنیک های متعادل سازی داده ها و روش انتخاب مدل برای طبقه بندی داده های زمین شناسی از حوضه پرووستان جنوبی. نتایج نشان می دهد که راهبردهای متعادل سازی عملکرد کلی کلیه طبقه بندی ها را بهبود می بخشد و انتخاب مدل اجازه می دهد یا بهترین پارامتر ها را از یک مجموعه تعریف شده توسط کاربر به دست آورد. ابزار محاسباتی توسعه یافته در این مقاله به عنوان یک جایگزین برای کمک به متخصصان زمین شناسی و متخصصان وظیفه شناسایی ناهماهنگی مخزن صورت می گیرد.
موضوعات مرتبط
مهندسی و علوم پایه علوم زمین و سیارات فیزیک زمین (ژئو فیزیک)
پیش نمایش مقاله
روش های یادگیری ماشین برای طبقه بندی پتروگرافی سنگ های کربنات-سیلیکات سنگ با استفاده از سیاهههای مربوط و اطلاعات بافت
چکیده انگلیسی
The definition of lithology in oil wells by means of multiple geophysical analysis profiles an important role in the reservoir characterization process. From this one can generate lithologic models which in turn will be filled in with the petrophysical properties and can then be used in flow simulators to understand and study the behavior of an oil field. The identification of lithology can be accomplished by direct and indirect methods, but these procedures are not always feasible because of the cost or imprecision of the results generated. Consequently, there is a need to automate the process of reservoir characterization and, in this context, computational intelligence techniques appear as an alternative to lithology identification. In this paper balancing strategies are implemented in order to tackle the lack of data due to the characteristics of the distinct diagenetic processes. Six machine learning methods combined with data balancing techniques and a model selection approach to classify geologic data from the South Provence Basin. The results show the balancing strategies improve the overall performance of all classifiers and the model selection allows or obtaining the best parameters from a user-defined set. The computational tool developed in this paper arises as an alternative to assist geologists ans specialists in the task of reservoir heterogeneities identification.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Journal of Applied Geophysics - Volume 155, August 2018, Pages 217-225
نویسندگان
, , , ,