Simulation of porosity field using wavelet bayesian inversion of crosswell GPR and log data
Notice bibliographique
Résumé
In this paper, we present a novel approach to simulate porosity fields constrained by borehole radar tomography images. The cornerstone of the method is the bayesian analysis of the approximation wavelet coefficients of a petro-physical analogue. The method is tested with a two-dimensional porosity field generated from a digital picture of a real sand deposit. The porosity field is translated into electrical properties and a cross-hole tomography synthetic survey is modeled using a finite-difference modeling algorithm. In parallel, an analogue deposit is created based on the geological knowledge of the area under study. The analogue porosity field is converted into electrical property fields using the same equations as previously. A synthetic GPR tomography is also computed from the latter. Wavelet decomposition of both measured and analogue tomograms and porosity analogue fields is then calculated. Based on the assumption that geophysical data carry only the large-scale information about the geological model, statistical analysis of the approximation coefficients of each variable is carried out. From the measured tomogram approximation coefficients and the cross statistics evaluated on the analogues, the approximation of the real porosity field is inferred using bayesian inference. Finally, based on the geostatistical relationships between wavelet coefficients across the different scales, all the porosity wavelet detail coefficients are simulated using a standard geostatistical simulation algorithm. The wavelet coefficients are then back transformed in the porosity space. The final simulated porosity fields contain the large wavelengths of the measured radar tomogram and the texture of the analogue porosity field.
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.
Comment cette classification a été obtenuedéplier
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».