Szczegóły publikacji
Opis bibliograficzny
Klasyfikacja własności skał zbiornikowych przy użyciu metod uczenia maszynowego na podstawie danych geofizyki otworowej — Reservoir rock classification using machine learning methods based on well log data / Jan BARBACKI // W: Nauka – technika – technologia : seria wydawnicza AGH, T. 2. — Kraków : Wydawnictwa AGH, 2021. — ISBN: 978-83-66727-48-9. — S. 5–18. — Bibliogr. s. 17–18, Streszcz., Abstr.
Autor
Słowa kluczowe
Dane bibliometryczne
ID BaDAP | 138058 |
---|---|
Data dodania do BaDAP | 2021-12-08 |
Tekst źródłowy | URL |
DOI | 10.7494/978-83-66727-48-9_1 |
Rok publikacji | 2021 |
Typ publikacji | fragment książki |
Otwarty dostęp | |
Creative Commons | |
Wydawca | Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie |
Abstract
The paper presents the possibility of using selected machine learning methods for automatic classification of reservoir rocks properties based on well-log data. The study presents fundamental concepts of a data-driven approach, as well as presents the detailed workflow for working with reservoir data. Popular classification techniques such as support vector machine, decision trees, random forests, k-NN and artificial neural networks are also discussed and compared. The proposed methodology can prove to be extremely useful in computer modeling of hydrocarbon reservoirs, supporting and automating their petrophysical analysis and reducing the uncertainty of results obtained from the final simulation model.
Streszczenie
W artykule przedstawiono możliwość wykorzystania wybranych metod uczenia maszynowego do automatycznej klasyfikacji własności skał zbiornikowych na podstawie profilowań geofizyki otworowej. Zaprezentowano schemat tworzenia inteligentnego modelu typu data-driven oraz opisano sposób przetwarzania (preprocessingu) danych złożowych. Omówiono i porównano także popularne algorytmy klasyfikacyjne: maszynę wektorów nośnych, drzewa decyzyjne, lasy losowe, metodę k-NN oraz sztuczne sieci neuronowe. Zaproponowane rozwiązanie może okazać się niezwykle przydatne w modelowaniu złóż węglowodorów, wspomagając i automatyzując ich analizę petrofizyczną oraz redukując niepewność wyników otrzymywanych z końcowego modelu symulacyjnego.