Lithological control on gas hydrate saturation as revealed by signal classification of NMR logging data
Notice bibliographique
Résumé
Abstract In this paper, nuclear magnetic resonance (NMR) downhole logging data are analyzed with a new strategy to study gas hydrate‐bearing sediments in the Mackenzie Delta (NW Canada). In NMR logging, transverse relaxation time ( T 2 ) distribution curves are usually used to determine single‐valued parameters such as apparent total porosity or hydrocarbon saturation. Our approach analyzes the entire T 2 distribution curves as quasi‐continuous signals to characterize the rock formation. We apply self‐organizing maps, a neural network clustering technique, to subdivide the data set of NMR curves into classes with a similar and distinctive signal shape. The method includes (1) preparation of data vectors, (2) unsupervised learning, (3) cluster definition, and (4) classification and depth mapping of all NMR signals. Each signal class thus represents a specific pore size distribution which can be interpreted in terms of distinct lithologies and reservoir types. A key step in the interpretation strategy is to reconcile the NMR classes with other log data not considered in the clustering analysis, such as gamma ray, hydrate saturation, and other logs. Our results defined six main lithologies within the target zone. Gas hydrate layers were recognized by their low signal amplitudes for all relaxation times. Most importantly, two subtypes of hydrate‐bearing shaly sands were identified. They show distinct NMR signals and differ in hydrate saturation and gamma ray values. An inverse linear relationship between hydrate saturation and clay content was concluded. Finally, we infer that the gas hydrate is not grain coating, but rather, pore filling with matrix support is the preferred growth habit model for the studied formation.
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 | 0,002 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».