Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "Sowiżdżał, Krzysztof" wg kryterium: Autor

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-3 z 3
    Tytuł:
    An advanced ensemble modeling approach for predicting carbonate reservoir porosity from seismic attributes
    Autorzy:
    Topór, Tomasz
    Sowiżdżał, Krzysztof
    Powiązania:
    https://bibliotekanauki.pl/articles/27310145.pdf
    Data publikacji:
    2023
    Wydawca:
    Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie. Wydawnictwo AGH
    Tematy:
    machine learning
    model stacking
    ensemble method
    carbonates
    seismic attributes
    porosity prediction
    Opis:
    This study uses a machine learning (ML) ensemble modeling approach to predict porosity from multiple seismic attributes in one of the most promising Main Dolomite hydrocarbon reservoirs in NW Poland. The presented workflow tests five different model types of varying complexity: K-nearest neighbors (KNN), random forests (RF), extreme gradient boosting (XGB), support vector machine (SVM), single layer neural network with multilayer perceptron (MLP). The selected models are additionally run with different configurations originating from the pre-processing stage, including Yeo–Johnson transformation (YJ) and principal component analysis (PCA). The race ANOVA method across resample data is used to tune the best hyperparameters for each model. The model candidates and the role of different pre-processors are evaluated based on standard ML metrics – coefficient of determination (R2), root mean squared error (RMSE), and mean absolute error (MAE). The model stacking is performed on five model candidates: two KNN, two XGB, and one SVM PCA with a marginal role. The results of the ensemble model showed superior accuracy over single learners, with all metrics (R2 0.890, RMSE 0.0252, MAE 0.168). It also turned out to be almost three times better than the neural net (NN) results obtained from commercial software on the same testing set (R2 0.318, RMSE 0.0628, MAE 0.0487). The spatial distribution of porosity from the ensemble model indicated areas of good reservoir properties that overlap with hydrocarbon production fields. This observation completes the evaluation of the ensemble technique results from model metrics. Overall, the proposed solution is a promising tool for better porosity prediction and understanding of heterogeneous carbonate reservoirs from multiple seismic attributes.
    Źródło:
    Geology, Geophysics and Environment; 2023, 49, 3; 245--260
    2299-8004
    2353-0790
    Pojawia się w:
    Geology, Geophysics and Environment
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Application of machine learning tools for seismic reservoir characterization study of porosity and saturation type
    Zastosowanie metod uczenia maszynowego do charakterystyki porowatości i typu nasycenia przy użyciu atrybutów sejsmicznych
    Autorzy:
    Topór, Tomasz
    Sowiżdżał, Krzysztof
    Powiązania:
    https://bibliotekanauki.pl/articles/2143329.pdf
    Data publikacji:
    2022
    Wydawca:
    Instytut Nafty i Gazu - Państwowy Instytut Badawczy
    Tematy:
    machine learning
    random forest
    XGBoost
    seismic attributes
    reservoir properties prediction
    uczenie maszynowe
    lasy losowe
    drzewa wzmocnione gradientowo
    atrybuty sejsmiczne
    predykcja własności zbiornikowych
    Opis:
    The application of machine learning (ML) tools and data-driven modeling became a standard approach for solving many problems in exploration geology and contributed to the discovery of new reservoirs. This study explores an application of machine learning ensemble methods – random forest (RF) and extreme gradient boosting (XGBoost) to derive porosity and saturation type (gas/water) in multihorizon sandstone formations from Miocene deposits of the Carpathian Foredeep. The training of ML algorithms was divided into two stages. First, the RF algorithm was used to compute porosity based on seismic attributes and well location coordinates. The obtained results were used as an extra feature to saturation type modeling using the XGBoost algorithm. The XGBoost was run with and without well location coordinates to evaluate the influence of the spatial information for the modeling performance. The hyperparameters for each model were tuned using the Bayesian optimization algorithm. To check the training models' robustness, 10-fold cross-validation was performed. The results were evaluated using standard metrics, for regression and classification, on training and testing sets. The residual mean standard error (RMSE) for porosity prediction with RF for training and testing was close to 0.053, providing no evidence of overfitting. Feature importance analysis revealed that the most influential variables for porosity prediction were spatial coordinates and seismic attributes sweetness. The results of XGBoost modeling (variant 1) demonstrated that the algorithm could accurately predict saturation type despite the class imbalance issue. The sensitivity for XGBoost on training and testing data was high and equaled 0.862 and 0.920, respectively. The XGBoost model relied on computed porosity and spatial coordinates. The obtained sensitivity results for both training and testing sets dropped significantly by about 10% when well location coordinates were removed (variant 2). In this case, the three most influential features were computed porosity, seismic amplitude contrast, and iso-frequency component (15 Hz) attribute. The obtained results were imported to Petrel software to present the spatial distribution of porosity and saturation type. The latter parameter was given with probability distribution, which allows for identifying potential target zones enriched in gas.
    Metody uczenia maszynowego stanowią obecnie rutynowe narzędzie wykorzystywane przy rozwiązywaniu wielu problemów w geologii poszukiwawczej i przyczyniają się do odkrycia nowych złóż. Prezentowana praca pokazuje zastosowanie dwóch algorytmów uczenia maszynowego – lasów losowych (RF) i drzew wzmocnionych gradientowo (XGBoost) do wyznaczenia porowatości i typu nasycenia (gaz/woda) w formacjach piaskowców będących potencjalnymi horyzontami gazonośnymi w mioceńskich osadach zapadliska przedkarpackiego. Proces uczenia maszynowego został podzielony na dwa etapy. W pierwszym etapie użyto RF do obliczenia porowatości na podstawie danych pochodzących z atrybutów sejsmicznych oraz współrzędnych lokalizacji otworów. Uzyskane wyniki zostały wykorzystane jako dodatkowa cecha przy modelowaniu typu nasycenia z zastosowaniem algorytmu XGBoost. Modelowanie za pomocą XGBoost został przeprowadzone w dwóch wariantach – z wykorzystaniem lokalizacji otworów oraz bez nich w celu oceny wpływu informacji przestrzennych na wydajność modelowania. Proces strojenia hiperparametrów dla poszczególnych modeli został przeprowadzony z wykorzystaniem optymalizacji Bayesa. Wyniki procesu modelowania zostały ocenione na zbiorach treningowym i testowym przy użyciu standardowych metryk wykorzystywanych do rozwiązywania problemów regresyjnych i klasyfikacyjnych. Dodatkowo, aby wzmocnić wiarygodność modeli treningowych, przeprowadzona została 10-krotna kroswalidacja. Pierwiastek błędu średniokwadratowego (RMSE) dla wymodelowanej porowatości na zbiorach treningowym i testowym był bliski 0,053 co wskazuje na brak nadmiernego dopasowania modelu (ang. overfitting). Analiza istotności cech ujawniła, że zmienną najbardziej wpływającą na prognozowanie porowatości były współrzędne lokalizacji otworów oraz atrybut sejsmiczny sweetness. Wyniki modelowania XGBoost (wariant 1) wykazały, że algorytm jest w stanie dokładnie przewidywać typ nasycenia pomimo problemu z nierównowagą klas. Czułość wykrywania potencjalnych stref gazowych w przypadku modelu XGBoost była wysoka zarówno dla zbioru treningowego, jak i testowego (0,862 i 0,920). W swoich predykcjach model opierał się głównie na wyliczonej porowatości oraz współrzędnych otworów. Czułość dla uzyskanych wyników na zbiorze treningowym i testowym spadła o około 10%, gdy usunięto współrzędne lokalizacji otworów (wariant 2 XGBoost). W tym przypadku trzema najważniejszymi cechami były obliczona porowatość oraz atrybut sejsmiczny amplitude contrast i atrybut iso-frequency component (15 Hz). Uzyskane wyniki zostały zaimportowane do programu Petrel, aby przedstawić przestrzenny rozkład porowatości i typu nasycenia. Ten ostatni parametr został przedstawiony wraz z rozkładem prawdopodobieństwa, co dało wgląd w strefy o najwyższym potencjale gazowym.
    Źródło:
    Nafta-Gaz; 2022, 78, 3; 165-175
    0867-8871
    Pojawia się w:
    Nafta-Gaz
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Ocena wpływu nasuwającego się górotworu karpackiego na przebieg procesów naftowych w utworach jego podłoża w rejonie Rzeszowa
    Assessment of the influence of the overthrusting Carpathian orogen on the course of petroleum processes in its basement formations in the Rzeszów region
    Autorzy:
    Spunda, Karol
    Słoczyński, Tomasz
    Sowiżdżał, Krzysztof
    Powiązania:
    https://bibliotekanauki.pl/articles/2143635.pdf
    Data publikacji:
    2021
    Wydawca:
    Instytut Nafty i Gazu - Państwowy Instytut Badawczy
    Tematy:
    modelowanie systemów naftowych
    strefa brzeżna nasunięcia Karpat
    systemy fałdowo nasuwcze
    petroleum system modeling
    marginal zone of the Outer Carpathians
    fold–thrust belts
    Opis:
    W artykule zaprezentowano koncepcje modelowania systemów naftowych w obszarach o skomplikowanej budowie geologicznej, charakteryzującej się obecnością elementów tektoniki fałdowo-nasuwczej. Celem pracy była weryfikacja poglądów dotyczących wpływu nasuwającego się orogenu karpackiego na przebieg procesów naftowych w utworach jego podłoża. Do realizacji przedsięwzięcia wybrano obszar strefy brzeżnej nasunięcia jednostki skolskiej Karpat na piętra strukturalno-tektoniczne podłoża w rejonie Rzeszowa. Złożoność budowy geologicznej tego obszaru jest adekwatna do założonego celu metodycznego, a względnie duża ilość dostępnych danych geologicznych i pomiarowych stwarza szanse kompleksowego podejścia do zagadnienia. Zadanie zrealizowano, wykorzystując oprogramowanie Dynel 2D oraz PetroMod 2D. Odtworzony w pięciu etapach przebieg ewolucji strukturalno-tektonicznej obszaru wykorzystany został do konstrukcji dynamicznego modelu systemu naftowego. Wyniki modelowania pozwoliły odtworzyć i przeanalizować przebieg złożonych procesów geologicznych, których skutki manifestują się między innymi czasem i ilością wygenerowanych węglowodorów, ich ekspulsją, migracją oraz akumulacją. Otrzymane wyniki modelowania przedstawiają przebieg procesów naftowych w poszczególnych etapach rozwoju basenu, ukazując szczególną rolę procesu nasuwania się orogenu karpackiego na utwory należące do pięter strukturalnych podłoża. Dla przyjętych założeń ewolucji strukturalno-tektonicznej inicjacja generowania węglowodorów przez utwory starszego paleozoiku nastąpiła wraz z nasuwaniem się górotworu karpackiego, co zwiększa szanse ich akumulacji w kolektorach uszczelnianych przez nasuwający się orogen. To pozytywna przesłanka w kontekście poszukiwań złóż na tym obszarze.
    The article presents the concept of petroleum systems modeling in the area with complex fold-thrust belt structure. The aim of the study was to verify the views on the influence of the overtrusting Carpathian orogen on the course of petroleum processes in the basement (Meso-Palaeozoic) formations. The project was implemented in the marginal zone of the Skole Unit (Outer Carpathians) overlapping various structural and tectonic units of the basement. The area of Rzeszów city was selected as it presents adequate complexity of the geological structure to meet assumed methodological objectives of the project and, at the same time, provides relatively vast amount of geological data available which creates a conditions for a comprehensive approach. The study was carried out using the Dynel 2D and PetroMod 2D software. The course of the structural and tectonic evolution of the area was reconstructed in 5 stages, the results of which were subsequently applied in a dynamic modeling of the petroleum systems. The modeling results made it possible to recreate and analyze the course of a complex geological processes, the effects of which are manifested, among others, by the time and amounts of generated hydrocarbons as well as the dynamics of expulsion, migration and accumulation processes. The results show the course of petroleum processes in each stage of the petroleum basin evolution, revealing a special role of thrust tectonic of Outer Carpathians on basement formations. For the adopted assumptions of the structural and tectonic evolution, the generation of hydrocarbons by Lower Palaeozoic source rocks was initiated with the overthrusting of the Carpathians. This increases the chances of their accumulation in reservoir intervals sealed by an overthrusting orogen. This is a positive premise in the context of petroleum exploration in the area.
    Źródło:
    Nafta-Gaz; 2021, 77, 6; 351-365
    0867-8871
    Pojawia się w:
    Nafta-Gaz
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-3 z 3

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies