Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Universidade de São Paulo (USP) | - |
Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
Autor(es): dc.contributor | Faculty or Architecture and Engineering | - |
Autor(es): dc.contributor | Universidade Federal de São Carlos (UFSCar) | - |
Autor(es): dc.creator | Tamoto, Hugo | - |
Autor(es): dc.creator | Contreras, Rodrigo Colnago | - |
Autor(es): dc.creator | Santos, Franciso Lledo dos | - |
Autor(es): dc.creator | Viana, Monique Simplicio | - |
Autor(es): dc.creator | Gioria, Rafael dos Santos | - |
Autor(es): dc.creator | Carneiro, Cleyton de Carvalho | - |
Data de aceite: dc.date.accessioned | 2025-08-21T22:20:23Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T22:20:23Z | - |
Data de envio: dc.date.issued | 2023-07-29 | - |
Data de envio: dc.date.issued | 2023-07-29 | - |
Data de envio: dc.date.issued | 2022-12-31 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1007/978-3-031-23492-7_11 | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/249038 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/249038 | - |
Descrição: dc.description | The shear slowness well-log is a fundamental feature used in reservoir modeling, geomechanics, elastic properties, and borehole stability. This data is indirectly measured by well-logs and assists the geological, petrophysical, and geophysical subsurface characterization. However, the acquisition of shear slowness is not a standard procedure in the well-logging program, especially in mature fields that have a limited logging scope. In this research, we propose to develop machine learning models to create synthetic shear slowness well-logs to fill this gap. We used standard well-log features such as natural gamma-ray, density log, neutron porosity, resistivity logs, and compressional slowness as input data to train the models, and successfully predicted a synthetic shear slowness well-log. Additionally, we created five supervised models using Neural Networks, AdaBoost, XGBoost, and CatBoost algorithms. Among all models created, the neural network algorithm provided the most optimized model, using multi-layer perceptron architecture reaching impressive scores as R 2 of 0.9306, adjusted R 2 of 0.9304, and MSE less than 0.0694. | - |
Descrição: dc.description | University of São Paulo Polytechnic School Department of Mining and Petroleum Engineering, SP | - |
Descrição: dc.description | São Paulo State University Institute of Biosciences Letters and Exact Sciences São José do Rio Preto, SP | - |
Descrição: dc.description | Mato Grosso State University Faculty or Architecture and Engineering, MT | - |
Descrição: dc.description | Federal University of São Carlos Computing Department, SP | - |
Descrição: dc.description | São Paulo State University Institute of Biosciences Letters and Exact Sciences São José do Rio Preto, SP | - |
Formato: dc.format | 115-130 | - |
Idioma: dc.language | en | - |
Relação: dc.relation | Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics) | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | Forecasting Time-series | - |
Palavras-chave: dc.subject | Machine learning | - |
Palavras-chave: dc.subject | Regression models | - |
Palavras-chave: dc.subject | Synthetic well-logs | - |
Título: dc.title | Synthetic Slowness Shear Well-Log Prediction Using Supervised Machine Learning Models | - |
Tipo de arquivo: dc.type | aula digital | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: