Visualizing highly multidimensional time varying Microseismic Events
Notice bibliographique
Résumé
Making decisions about improving an oil and gas reservoir model based upon microseismic data is a difficult challenge for reservoir engineers and analysts. These difficulties arise because the available data contains inaccuracies, has high-dimensionality and has a high degree of uncertainty. Currently these difficulties are intensified by the lack of computational tools to support interactive visual interpretation and integration of geophysical data leading to robust structural models of the reservoir and its parameters. To address these difficulties domain experts are demanding better and more detailed visualization tools to help them as they explore their data. In this paper, we present a tool that contains a set of interactive visualizations that combines, merges and extends existing visualization techniques. We describe the iterative design process we undertook to develop the tool, relying on insight from domain specialists. Our tool supports 3D spatial analysis and exploration of the data with a set of manipulations designed to provide domain experts with insights into their highly complex microseismic data. Our microseismic visual-analysis tool also provides an extended parallel coordinates implementation to: (1) support interactive filtering and selection through combined filter and shadow boxes that can remove the uninteresting events from further analysis, (2) correlate between the data attributes by axes reordering and outlier discovery, and (3) visually correlate the data events rendering through additional visual elements such as color maps. Our multiple coordinated views link the insights gained from one view with other views instantaneously. We conclude with a discussion of the feedback provided to us by the domain experts.
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 | 0,001 |
| 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 | 0,002 |
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 ».