Porównanie przydatności sieci neuronowych i analizy statystycznej danych laboratoryjnych do identyfikacji mineralogicznej i oznaczania CEC metodami jądrowymi geofizyki wiertniczej - gazonośna formacja mioceńska przedgórza Karpat, otwory J4 i ChD3

Porównano dwie różne metody szacowania parametrów mineralogicznych z pomiarów geofizyki wiertniczej (GW) używając zbioru 42 próbek z rdzeni wiertniczych pobranych z dwóch otworów. Pierwszą z analizowanych metod były sieci neuronowe, a drugą regresja wielokrotna. Za szukane parametry mineralogiczne przyjęto zawartości takich minerałów jak: kwarc, kalcyt, sumę minerałów ilastych, całkowitą powierzchnię właściwą TSA i zdolność wymiany kationów CEC. Za dostępne dane z pomiarów geofizyki wiertniczej uznano koncentracje takich pierwiastków jak: K, U, Th, Si, Ca, Fe, oraz takie parametry kompleksowe jak Pe, Sa, W(woda związana). Końcowym wynikiem tego porównania jest stwierdzenie, że sieci neuronowe pozwalają skutecznie znajdować związki pomiędzy wejściowymi i wyjściowymi zbiorami danych. Pochodzenie, jednak tych związków pozostaje ukryte. W przypadku regresji wielokrotnej otrzymujemy podobne wyniki w dwoma wyjątkami. Po pierwsze dopasowanie danych estymowanych i mierzonych jest na ogół lepsze w przypadku sieci neuronowych. Z drugiej jednak strony regresja wielokrotna daje pełny ilościowy opis istniejących związków wraz z oceną dokładności. Obydwie analizowane metody okazują się w pełni przydatnymi narzędziami przy określaniu modeli interpretacyjnych geofizyki wiertniczej.

---

Using a set of 42 core samples, picked up from two wells, the comparison of two different methods for estimating mineralogical parameters from well log data was made. The first method was neural networks. The second was multiple regression. The content of quartz, calcite, sum of clay minerals and values of TSA and CEC were assumed as output parameters. K, U, Th, Si, Ca, Fe elements and values of Pe, Ea and W(bound water) were the input log data. The neural network method is better able to find effectively the relationship between input and output data. The origin of this relationship remains hidden nevertheless. Multiple regression obtains similar results with two exceptions. First, the fit of both estimated and measured data is usually better for neural networks. On the other hand, multiple regression yields a full quantitative description of existing relationships including error analysis. Both methods are useful tools for well log interpretation models.