A review of three geostatistical techniques for realistic geological reservoir modeling integrating multi-scale data
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 This paper discusses new methodologies and workflows developed to generate geological models (1) that look more realistic geologically speaking and (2) that respect the well and seismic data characterizing the studied area. Accounting simultaneously for these two constraints is challenging as they behave the opposite way. The more realistic the geological model, the more difficult the integration of data. A first powerful approach is based upon the non-stationary plurigaussian simulation method. In this case, the available geological and seismic data make it possible to compute the 3D probability distributions of facies proportions, which are then used to truncate the Gaussian functions. A second method is rooted in the Bayesian sequential simulation. Recent developments have been proposed to extend this method to media including distinct facies. We suggest an improved variant to better account for the resolution differences between sonic logs and seismic data. This yields a more robust framework to integrate seismic data. A third innovative approach reconciles geostatistical multipoint simulation with texture synthesis principles. Geostatistical multipoint methods provide models, which better reproduce complex geological features. However, they still call for significant computation times. On the other hand, texture synthesis has been developed for computer graphics: it can help reduce computation time, but it does not account for data. We then envision a hybrid multi-scale algorithm with improved computation performances and yet able to respect data
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 | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 | 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 découle