The need for quantitative QC parameters for microseismic event identifications and locations
Notice bibliographique
Résumé
Microseismic monitoring of hydraulic fracture treatments is performed by a variety of techniques; a downhole sensor array in a nearby offset well, a sparse network of sensors in shallow observation wells or a dense network of surface sensors. The results from all methods are provided to the interpreter as a spreadsheet of three-dimensional point distributions where each point might, or might not, be associated with individual quality-control parameters. In the absence of a quality control parameter each reported location can only treated with equal validity when it is known that this is not the case. There must be some uncertainty associated with the event location, and there is the possibility that the event is the result of noise rather than true signal, a “false positive”. Even when quality-control parameters are provided these are qualitative or poorly communicated and therefore often of only limited value in the interpretation. The two shown examples, multiple re-processing results of a downhole dataset and an example from simultaneous downhole and surface arrays illustrate the need and value of a transparent quality-control parameter. When using algorithms that require explicit arrival time identification in the raw data, the false identification of an event is highly unlikely. In contrast, when using migration type algorithms where the event is only visible in the stacked image function, the false identification of a microseismic event, i.e. ‘false positive’, is much more likely. Without the use of proper quality control parameters false positives appear inevitable which can lead to a wrong interpretation of the final map. Using a probabilistic interpretation of the image function (e.g. Mosegard and Tarantola, 2002, Lomax et al., 2009, Xuan, 2009, Xuan and Sava, 2010) appears to be an approach that provides an unbiased estimate of the true location accuracy and can also serve as a quantitative guideline in avoiding ‘False Positives’.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,027 | 0,082 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,006 | 0,006 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,003 |
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 source (Gemma direct ou Codex distillé), 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 ».