在使用NMR的液压流量单元中的毛细管压力数据的贝叶斯优化
Hasan Jehanzaib1, Muhammad Khurram Zahoor2, Muhammad Haris2
1Department of Petroleum & Gas Engineering, University of Engineering and Technology Lahore, Lahore, Pakistan. h.jehanzaib@uet.edu.pk.
这项研究引入了一种新的机器学习工作流程,用于使用核磁共振 (NMR) 数据在水库中准确估计毛细血管压力. 该方法通过结合碳化合物校正和集成委员会机器模型 (ECMM) 来改进水库的表征.
科学领域:
- 石化物理学 石化物理学
- 地质科学是地球科学.
- 机器学习应用 机器学习应用
背景情况:
- 核磁共振 (NMR) 数据对于水库石质物理特征是至关重要的.
- 从NMR T2数据中估计毛细管压力 (Pc) 是具有挑战性的,因为流体和度的变化和碳化合物校正的需要.
- 现有的方法往往缺乏有效的碳化合物校正,阻碍了准确的水库表征.
研究的目的:
- 开发一种新的方法来估计液压流量单位 (HFU) 的水库中的毛细管压力 (Pc).
- 将NMR碳化合物校正和一个集体委员会机器模型 (ECMM) 纳入,以改进PC估计.
- 分析HFU的毛细管压力变化及其对模型性能的影响.
主要方法:
- 使用的NMR T2数据和累积脱率 ((dSnw/dT2)) 特性.
- 开发了一个新的工作流程,包含NMR碳化合物校正.
- 采用集体委员会机器模型 (ECMM) 与贝叶斯优化的机器,集体和深度学习算法.
主要成果:
- 与PC预测的单个智能模型相比,ECMM工作流显著改善了平均平方误差 (MSE).
- 分析显示,高压管中较高的毛细管压力变化对模型MSE产生负面影响.
- 该方法为持续PC估计提供了强大且具有成本效益的方法.
结论:
- 拟议的基于ECMM的工作流提供了一个可靠且具有成本效益的解决方案,用于估计水库中的连续毛细血管压力.
- 精确的碳化合物校正和先进的机器学习模型是克服基于NMR的PC估计挑战的关键.
- 了解HFU的毛细管压力变化对于优化水库表征模型至关重要.
更多相关视频
05:49Mechano-Node-Pore Sensing: A Rapid, Label-Free Platform for Multi-Parameter Single-Cell Viscoelastic Measurements
Published on: December 2, 2022
08:42High-Sensitivity Nuclear Magnetic Resonance at Giga-Pascal Pressures: A New Tool for Probing Electronic and Chemical Properties of Condensed Matter under Extreme Conditions
Published on: October 10, 2014
相关概念视频
Measurement of Fluid Pressure
A basic form of manometer is the piezometer, a vertical tube open at the top and filled with the same...
Pressure Variation in a Fluid at Rest
When measuring pressure at two different levels within the fluid, the difference in...
Pressure of Fluids
Vapor Pressure of Fluid
When a liquid is placed in a closed container with a small air space, and the space is evacuated, vapor molecules will...
Pipe Flowrate Measurement: Problem Solving
Applications of Integration to Find Hydrostatic Pressure
