Generación de Salidas de Resonancia Magnética Nuclear (RMN) para Rocas Clásticas Utilizando Análisis de Regresión Múltiple, Ejemplos de la Costa Oeste de Australia
Autores: Rezaee, Reza
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Generación de Salidas de Resonancia Magnética Nuclear (RMN) para Rocas Clásticas Utilizando Análisis de Regresión Múltiple, Ejemplos de la Costa Oeste de Australia
Categoría
Energía
Subcategoría
Tecnología de combustibles
Palabras clave
Base de datos grande
Resonancia magnética nuclear
Datos de registro de RMN
Australia Occidental
Análisis de regresión múltiple
Registros de pozos convencionales
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 32
Citaciones: Sin citaciones
Se utilizó una gran base de datos de datos de registro de resonancia magnética nuclear (RMN) de rocas clásticas de campos de petróleo y gas en alta mar de Australia Occidental para evaluar el rendimiento del análisis de regresión múltiple (ARM) para calcular las salidas de registro de RMN a partir de registros de pozos convencionales. Este breve artículo presenta un conjunto de ecuaciones de ARM para el cálculo de las salidas de registro de RMN utilizando registros de pozos convencionales como entradas. Este estudio muestra que, a diferencia de los métodos de aprendizaje automático, el enfoque de ARM no logra predecir la mayoría de las salidas de registro de RMN con una precisión aceptable, pero puede proporcionar permeabilidades de Coates y SDR con un R2 de más de 0.75.
Descripción
Se utilizó una gran base de datos de datos de registro de resonancia magnética nuclear (RMN) de rocas clásticas de campos de petróleo y gas en alta mar de Australia Occidental para evaluar el rendimiento del análisis de regresión múltiple (ARM) para calcular las salidas de registro de RMN a partir de registros de pozos convencionales. Este breve artículo presenta un conjunto de ecuaciones de ARM para el cálculo de las salidas de registro de RMN utilizando registros de pozos convencionales como entradas. Este estudio muestra que, a diferencia de los métodos de aprendizaje automático, el enfoque de ARM no logra predecir la mayoría de las salidas de registro de RMN con una precisión aceptable, pero puede proporcionar permeabilidades de Coates y SDR con un R2 de más de 0.75.