Implementation and Interpretation of Machine and Deep Learning to Applied Subsurface Geological Problems
Prediction Models Exploiting Well-Log Information
-
10% KEDVEZMÉNY?
- A kedvezmény csak az 'Értesítés a kedvenc témákról' hírlevelünk címzettjeinek rendeléseire érvényes.
- Kiadói listaár EUR 153.99
-
65 322 Ft (62 211 Ft + 5% áfa)
Az ár azért becsült, mert a rendelés pillanatában nem lehet pontosan tudni, hogy a beérkezéskor milyen lesz a forint árfolyama az adott termék eredeti devizájához képest. Ha a forint romlana, kissé többet, ha javulna, kissé kevesebbet kell majd fizetnie.
- Kedvezmény(ek) 10% (cc. 6 532 Ft off)
- Discounted price 58 789 Ft (55 990 Ft + 5% áfa)
65 322 Ft
Beszerezhetőség
Megrendelésre a kiadó utánnyomja a könyvet. Rendelhető, de a szokásosnál kicsit lassabban érkezik meg.
Why don't you give exact delivery time?
A beszerzés időigényét az eddigi tapasztalatokra alapozva adjuk meg. Azért becsült, mert a terméket külföldről hozzuk be, így a kiadó kiszolgálásának pillanatnyi gyorsaságától is függ. A megadottnál gyorsabb és lassabb szállítás is elképzelhető, de mindent megteszünk, hogy Ön a lehető leghamarabb jusson hozzá a termékhez.
A termék adatai:
- Kiadó Elsevier
- Megjelenés dátuma 2025. március 25.
- ISBN 9780443265105
- Kötéstípus Puhakötés
- Terjedelem442 oldal
- Méret 235x191 mm
- Súly 450 g
- Nyelv angol 698
Kategóriák
Hosszú leírás:
Implementation and Interpretation of Machine and Deep Learning to Applied Subsurface Geological Problems: Prediction Models Exploiting Well-Log Information explores machine and deep learning models for subsurface geological prediction problems commonly encountered in applied resource evaluation and reservoir characterization tasks. The book provides insights into how the performance of ML/DL models can be optimized-and sparse datasets of input variables enhanced and/or rescaled-to improve prediction performances. A variety of topics are covered, including regression models to estimate total organic carbon from well-log data, predicting brittleness indexes in tight formation sequences, trapping mechanisms in potential sub-surface carbon storage reservoirs, and more.
Each chapter includes its own introduction, summary, and nomenclature sections, along with one or more case studies focused on prediction model implementation related to its topic.
- Addresses common applied geological problems focused on machine and deep learning implementation with case studies
- Considers regression, classification, and clustering machine learning methods and how to optimize and assess their performance, considering suitable error and accuracy metric
- Contrasts the pros and cons of multiple machine and deep learning methods
- Includes techniques to improve the identification of geological carbon capture and storage reservoirs, a key part of many energy transition strategies
Tartalomjegyzék:
1. Regression models to estimate total organic carbon (TOC) from well-log data
2. Predicting brittleness indexes in tight formation sequences
3. Classifying lithofacies in clastic, carbonate, and mixed reservoir sequences
4. Permeability and water saturation distributions in complex reservoirs
5. Trapping mechanisms in potential sub-surface carbon storage reservoirs
6. The accurate picking of formation tops in field development wells
7. Assessing formation loss of circulation risks with mud-log datasets
8. Delineating fracture densities and apertures using well-log image data
9. Determining reservoir microfacies using photomicrograph and computed tomography image data
10. Characterizing coal-bed methane reservoirs with well-log datasets
