Debido a la elevada producción y consumo de petróleo y gas, los yacimientos no convencionales suscitan un gran interés. El carbono orgánico total (COT) es una medida importante de la calidad de los recursos no convencionales. Convencionalmente, el COT se mide de forma experimental; sin embargo, la información continua sobre el COT es difícil de obtener debido a las limitaciones de las muestras, mientras que las correlaciones empíricas desarrolladas para el COT resultaron tener una precisión modesta cuando se aplicaron en diferentes conjuntos de datos. En este trabajo, se utilizaron datos del esquisto devónico Duvernay para desarrollar una correlación empírica optimizada para predecir el COT basada en una red neuronal artificial (RNA). Se utilizaron tres conjuntos de datos de pozos para construir y validar el modelo que contiene más de 1250 puntos de datos, y cada punto de datos incluye valores para el COT, la densidad, la porosidad, la resistividad, los rayos gamma y el tiempo transitorio sónico, y los rayos gamma espectrales. Los tres conjuntos de datos se utilizaron por separado para el entrenamiento, la prueba y la validación. Los resultados de la correlación desarrollada se compararon con tres modelos disponibles. Se realizó una prueba de sensibilidad y optimización para alcanzar el mejor modelo en términos de error porcentual medio absoluto (AAPE) y coeficiente de correlación (R) entre el COT real y el predicho. La nueva correlación dio una excelente coincidencia con los valores reales del COT, con valores de R superiores a 0,93 y valores de AAPE inferiores al 14%. En el conjunto de datos de validación, la correlación superó a las demás correlaciones empíricas y dio como resultado menos del 10
APE, en comparación con más del 20
APE en otros modelos. Estos resultados implican la aplicabilidad de esta correlación; por lo tanto, se informan todos los parámetros de la correlación para permitir su uso en diferentes conjuntos de datos.
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:
Algoritmo de optimización de localización multifiltro basado en redes neuronales en entornos mixtos LOS/NLOS
Artículo:
Método de entrenamiento de rutinas de artes marciales basado en inteligencia artificial y Big Data de medición de lactato
Artículo:
Redes convolucionales gráficas híbridas de bajo y alto orden
Artículo:
Fabricación y propiedades espectrales de nanocompuestos luminiscentes a base de madera
Artículo:
PyEEG: Un módulo de código abierto en Python para la extracción de características EEG/MEG
Libro:
Metodología del marco lógico para la planificación, el seguimiento y la evaluación de proyectos y programas
Presentación:
Estudio de movimientos y tiempos
Artículo:
Emisiones globales de gases de efecto invernadero provenientes de materiales de construcción residencial y comercial: estrategias de mitigación para 2060
Software:
Simulación del proceso de extracción sólido-líquido EXTSL