Prediction of nuclear magnetic resonance porosity well-logs in a carbonate reservoir using supervised machine learning models (2023)
- Authors:
- USP affiliated authors: GIORIA, RAFAEL DOS SANTOS - EP ; CARNEIRO, CLEYTON DE CARVALHO - EP ; TAMOTO, HUGO - EP
- Unidade: EP
- DOI: 10.1016/j.petrol.2022.111169
- Subjects: PETROGRAFIA; INTELIGÊNCIA ARTIFICIAL
- Agências de fomento:
- Language: Inglês
- Imprenta:
- Source:
- Título do periódico: Journal of Petroleum Science and Engineering
- ISSN: 0920-4105
- Volume/Número/Paginação/Ano: v. 220, 10 p., 2023
- Este periódico é de assinatura
- Este artigo NÃO é de acesso aberto
- Cor do Acesso Aberto: closed
-
ABNT
TAMOTO, Hugo e GIORIA, Rafael dos Santos e CARNEIRO, Cleyton de Carvalho. Prediction of nuclear magnetic resonance porosity well-logs in a carbonate reservoir using supervised machine learning models. Journal of Petroleum Science and Engineering, v. 220, p. 10 , 2023Tradução . . Disponível em: https://doi.org/10.1016/j.petrol.2022.111169. Acesso em: 31 maio 2024. -
APA
Tamoto, H., Gioria, R. dos S., & Carneiro, C. de C. (2023). Prediction of nuclear magnetic resonance porosity well-logs in a carbonate reservoir using supervised machine learning models. Journal of Petroleum Science and Engineering, 220, 10 . doi:10.1016/j.petrol.2022.111169 -
NLM
Tamoto H, Gioria R dos S, Carneiro C de C. Prediction of nuclear magnetic resonance porosity well-logs in a carbonate reservoir using supervised machine learning models [Internet]. Journal of Petroleum Science and Engineering. 2023 ; 220 10 .[citado 2024 maio 31 ] Available from: https://doi.org/10.1016/j.petrol.2022.111169 -
Vancouver
Tamoto H, Gioria R dos S, Carneiro C de C. Prediction of nuclear magnetic resonance porosity well-logs in a carbonate reservoir using supervised machine learning models [Internet]. Journal of Petroleum Science and Engineering. 2023 ; 220 10 .[citado 2024 maio 31 ] Available from: https://doi.org/10.1016/j.petrol.2022.111169 - Synthetic Slowness Shear Well-Log Prediction Using Supervised Machine Learning Models
- Enhancing wireline formation testing with explainable machine learning: Predicting effective and non-effective stations
- Classificação de litofácies em sequências evaporíticas: exemplos de aplicação a partir de redes neurais artificiais não supervisionadas
- Colunas litológicas semiautomatizadas em perfis de poços baseadas em algoritmos de inteligência artificial
- Inteligência artificial aplicada ao reconhecimento de textura e porosidade em lâminas petrográficas de rochas carbonáticas
- Adjustment of relative permeability curves parameters by supervised artificial neural networks
- Digital petrography: Mineralogy and porosity identification using machine learning algorithms in petrographic thin section images
- Similaridade entre perfis de poços de petróleo: uma abordagem a partir de ciência de dados e mapas auto-organizáveis
- Prediction of wettability alteration using the artificial neural networks in the salinity control of water injection in carbonate reservoirs
- Model selection for dynamic interfacial tension of dead crude oil/brine to estimate pressure and temperature effects on the equilibrium tension
Informações sobre o DOI: 10.1016/j.petrol.2022.111169 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
