TY - JOUR A2 - Colombani，尼科洛AU - 康Byeongcheol AU - 李，Kyungbook PY - 2020 DA - 2020年10月30日TI - 8892556 VL - 在生产数据SP使用机器学习为基础的分类模型的地质方案管理不确定性 -2020 AB - 训练图像（TI）具有如多点地统计学的空间相​​关对储层建模的影响很大。不像在数学上定义的两点统计学的变差函数，有高度不确定性的地质的，以确定适当的TI。这项研究的目的是建立一个分类模型通过使用机器学习方法确定合理的TI之间的适当的地质情况：（1）支持向量机（SVM），（二）人工神经网络（ANN），以及（c）卷积神经网络（CNN）。经过模拟生产数据被用来训练分类模型，当观察到的生产反应投入训练的模型，可以选择最有可能TI。这项研究，据我们所知，是CNN首次应用在其生产历史数据是由作为用作输入图像的矩阵形式。训练数据被设置在覆盖各种生产趋势，使机器学习模型更可靠。因此，分别从四个TI的，它们具有不同的信道的方向来考虑的不确定性地质总发电量为800个信道化储层。我们把他们分为培训，验证和测试集的576，144，和80，分别。 The input layer comprised 800 production data, i.e., oil production rates and water cuts for eight production wells over 50 time steps, and the output layer consisted of a probability vector for each TI. The SVM and CNN models reasonably reduced the uncertainty in modeling the facies distribution based on the reliable probability for each TI. Even though the ANN and CNN had roughly the same number of parameters, the CNN outperformed the ANN in terms of both validation and test sets. The CNN successfully classified the reference model’s TI with about 95% probability. This is because the CNN can grasp the overall trend of production history. The probabilities of TI from the SVM and CNN were applied to regenerate more reliable reservoir models using the concept of TI rejection and reduced the uncertainty in the geological scenario successfully. SN - 1468-8115 UR - https://doi.org/10.1155/2020/8892556 DO - 10.1155/2020/8892556 JF - Geofluids PB - Hindawi KW - ER -