Real-Time Prediction of Formation Permeability Using Drilling Data and Explainable Machine Learning: A Case Study from the Hassi Tarfa Field
Ayoub Bouthaghane, Amel Kelai , Ouafi Ameur-Zaimeche
كلية المحروقات والطاقات المتجددة وعلوم الارض والكون-جامعة قاصدى مرباح ورقلة · الجزائر
الموضوعات
علوم تطبيقية وتكنولوجية
الملخص
This study investigates the use of ensemble machine learning models—XGBoost, CatBoost, AdaBoost, and Gradient Boosting—to predict formation permeability from real-time drilling parameters. Using a dataset of 183 samples, CatBoost showed the best performance (R² = 0.837). After feature selection, XGBoost achieved the highest accuracy (R² = 0.9655). SHAP analysis identified Torque, Flow Rate, and Rate of Penetration as key predictors. The results highlight the benefits of feature selection and explainable AI for real-time reservoir characterization.
روابط وملفات
التعريف والنوع
- رقم الوثيقة
- fe1c280d-3d2d-41fe-bc63-5afa012cd2f5
- رقم العقد
- 0
- نوع الوسائط
- Crawler
- نوع المحتوى
- الرسائل العلمية
- صيغة المصدر
- ماستر (LMD)
- نوع الملف
- pdf text
- أسماء الملفات
- 1094199_1.pdf
بيانات النشر
- ألقاب المؤلفين
- [{"name_ar":" Ayoub Bouthaghane","title_ar":"اشراف","title_en":"Supervision"},{"name_ar":"Amel Kelai ","title_ar":"اعداد","title_en":"Preparation"},{"name_ar":"Ouafi Ameur-Zaimeche","title_ar":"اشراف","title_en":"Supervision"}]
- اللغة
- English
المصدر والدورية
- اسم المصدر
- Real-Time Prediction of Formation Permeability Using Drilling Data and Explainable Machine Learning: A Case Study from the Hassi Tarfa Field
المحتوى والصفحات
- عدد الصفحات
- 0
- كلمات الباحثين
- Formation permeability machine learning - XGBoost - CatBoost - drilling parameters - SHAP - feature selection - reservoir characterization
إشراف وإعداد
- الإشراف
- Ayoub Bouthaghane, Ouafi Ameur-Zaimeche
- الإعداد
- Amel Kelai
الاقتباسات الببليوغرافية
APA
MLA