A Hybrid Ensemble Learning Framework for Permeability Prediction Using Integrated Petrophysical Logs, Core Measurements, and Drill Stem Test Data
Cette étude présente un cadre d'apprentissage d'ensemble hybride qui intègre les diagraphies de pétrophysique, les mesures de carottes et les données de tests de formation (Drill Stem Test) pour prédire avec précision la perméabilité dans des réservoirs hétérogènes en formulant la tâche comme un problème de classification et de régression, démontrant ainsi une performance et une interprétabilité supérieures par rapport aux modèles d'apprentissage automatique autonomes.