Los recursos no convencionales han ganado recientemente mucha atención y, como consecuencia, ha aumentado el interés de la investigación en la predicción del carbono orgánico total (COT) como un indicador de calidad crucial. El COT se suele medir experimentalmente; sin embargo, debido a las restricciones de muestreo, es difícil obtener datos continuos sobre el COT. Por ello, se han presentado diferentes correlaciones empíricas para el COT. Sin embargo, existen dudas sobre la generalización y la precisión de estas correlaciones. En este trabajo, se utilizaron diferentes técnicas de aprendizaje automático (ML) para desarrollar modelos que predicen el COT a partir de registros de pozos, incluyendo la resistividad de la formación (FR), el potencial espontáneo (SP), el tiempo de tránsito sónico (Δt), la densidad aparente (RHOB), la porosidad de neutrones (CNP), los rayos gamma (GR) y los registros de espectro de torio (Th), uranio (Ur) y potasio (K). Para crear y validar el modelo se utilizaron más de 1.250 puntos de datos del esquisto devónico Duvernay. Estos conjuntos de datos se obtuvieron de tres pozos; el primero se utilizó para entrenar los modelos, mientras que los conjuntos de datos de los otros dos pozos se utilizaron para probarlos y validarlos. La máquina de vectores de apoyo (SVM), el bosque aleatorio (RF) y el árbol de decisión (DT) fueron los enfoques de ML probados, y sus predicciones se contrastaron con tres correlaciones empíricas. Se probaron los parámetros de varios métodos de IA para asegurar la mejor precisión posible en términos de coeficiente de correlación (R) y error porcentual absoluto medio (AAPE) entre el COT real y el predicho. Los tres métodos ML dieron buenos resultados; sin embargo, el modelo basado en RF es el que mejor rendimiento tiene. El modelo RF fue capaz de predecir el COT para los diferentes conjuntos de datos con valores R entre 0,93 y 0,99 y valores AAPE inferiores al 14%. En términos de error medio, los modelos basados en ML superaron a las otras tres correlaciones empíricas. Este estudio muestra la capacidad y la solidez de los modelos ML para predecir el carbono orgánico total a partir de datos de registro fácilmente disponibles sin necesidad de análisis de núcleos o intervenciones adicionales en los pozos.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Fotocatalizador de nanocompuestos de Ag2S-TiO2 basados en MWCNT: Síntesis asistida por ultrasonidos, caracterización y mejora de la eficacia catalítica
Artículo:
Adsorción rápida de citoquinas proinflamatorias por nanoplaquetas de grafeno y sus compuestos para la desintoxicación extracorpórea
Artículo:
Un algoritmo óptimo de construcción de CDS con programación de actividades en redes ad hoc.
Artículo:
Reconstrucción de perfiles de tuberías mediante un robot submarino con navegación inercial
Artículo:
Características de la variación del contenido de agua del tallo en Lagerstroemia indica y su respuesta a los factores ambientales
Informe, reporte:
Diagnóstico sobre la logística del comercio internacional y su incidencia en la competitividad de las exportaciones de los países miembros
Infografía:
Sistemas de calidad. Six Sigma
Manual:
Química de los taninos
Artículo:
Influencia del COVID-19 en las dinámicas de exportación, producción y consumo de carne vacuna en Colombia y el mundo: Una revisión monográfica.