Resumen

La estimación de los parámetros elásticos de las rocas porosas, como la compresibilidad de la arenisca, es científicamente importante y, sin embargo, una cuestión abierta. Este estudio ilustra la estimación de la compresibilidad elástica de la arenisca (ECS) basándose en la suposición de que la ECS está determinada estrechamente por la composición mineral y las microestructuras. En este estudio, se recogen 37 muestras para evaluar las estimaciones de la ECS obtenidas por diferentes métodos. El análisis de regresión se implementa primero utilizando las 37 muestras. Los resultados muestran que el ECS presenta relaciones lineales con los minerales de la roca, los poros y la tensión de compresión aplicada. A continuación, se examina la máquina de vectores de apoyo (SVM) optimizada por el algoritmo de optimización de enjambre de partículas (PSO) para generar estimaciones del ECS basadas en la composición mineral y las microestructuras. La SVM se entrena con 30 muestras para buscar los parámetros óptimos mediante el PSO, y así se establece el modelo de estimación. Después, este modelo se valida para dar predicciones de las 7 muestras restantes. En comparación con los métodos de regresión, la estrategia propuesta, es decir, la SVM optimizada por PSO, se comporta mucho mejor en las muestras de entrenamiento y muestra una buena capacidad para generar estimaciones del ECS de las 7 muestras de prueba basadas en la composición mineral y las microestructuras.

• Materias:Corrosión del acero Aceites y grasas Polimeros Acero Acero inoxidable Descarga eléctrica microfluidos
• Subjects:Corrosion of steel Oils and fats Polymers Steel Stainless steel Electric shock microfluids
• Palabras claves:composición mineral, compresibilidad de la arenisca, ec, estimación, muestra, microestructuras, algoritmo de optimización de enjambre, pso, máquina de vectores de apoyo, svm
• Keywords:mineral composition, compressibility of sandstone, ec, estimation, sample, microstructures, swarm optimization algorithm, pso, support vector machine, svm