Causal fracture prediction: Curvature, stress, and geomechanics
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
We propose scaling volume curvature measurements with material property estimates to produce a superior prediction of natural fractures. Curvature is one of many, indirect, fracture-inferring attributes. It does not detect fractures, but is causally related to them through the assumption that increasing curvature relates to increasing strain. There are many other variables that are causally related to fractures. We propose that it would be advantageous to create combinations of these causal variables with curvature. Some of the most well known and important causes of variations in natural fracture density are material properties relating to brittleness. Material properties are critical geologically at all scales, from large-scale regional studies to prospect-level inquiries because the properties may vary significantly within individual formations and between formations. These vertical and lateral changes in material properties may be important and should be considered in fracture estimation, along with curvature. There is a lack of clarity regarding exactly which material property is best from the perspective of physics and rock mechanics; however, we have chosen a combination of parameters that we argue is a starting point. Fortunately, material properties are routinely estimated with amplitude variation with offset (AVO) techniques, and there is little practical reason not to use them together with curvature to produce a more complete attribute inferring fracture density. The combination of these variables is a step in the direction of creating quantitative causal fracture prediction estimates.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle