How well can we predict permeability in sedimentary basins? Deriving and evaluating porosity–permeability equations for noncemented sand and clay mixtures
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
Abstract The permeability of sediments is a major control on groundwater flow and the associated redistribution of heat and solutes in sedimentary basins. While porosity–permeability relationships of pure clays and pure sands have been relatively well established at the laboratory scale, the permeability of natural sediments remains highly uncertain. Here we quantify how well existing and new porosity–permeability equations can explain the permeability of noncemented siliciclastic sediments. We have compiled grain size, clay mineralogy, porosity, and permeability data on pure sand and silt ( n = 126), pure clay ( n = 148), and natural mixtures of sand, silt and clay ( n = 92). The permeability of pure sand and clay can be predicted with high confidence (R 2 ≥ 0.9) using the Kozeny–Carman equation and empirical power law equations, respectively. The permeability of natural sediments is much higher than predicted by experimental binary mixtures and ideal packing models. Permeability can be predicted with moderate confidence (R 2 = 0.26– 0.48) and a mean error of 0.6 orders of magnitude as either the geometric mean or arithmetic mean of the permeability of the pure clay and sand components, with the geometric mean providing the best measure of the variability of permeability. We test the new set of equations on detailed well‐log and permeability data from deltaic sediments in the southern Netherlands, showing that permeability can be predicted with a mean error of 0.7 orders of magnitude using clay content and porosity derived from neutron and density logs.
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 | 0,001 | 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