Introduction to Borehole Studies
Notice bibliographique
Résumé
Borehole methods exploit some of the same anomalies in physical properties of gas-hydrate-bearing sediments as do regional geophysical methods described in the previous two sections. These include anomalies in elastic properties and hence in P- and S-wave velocities, as well as anomalies in electrical resistivity. A log-based characterization of gas-hydrate environments also typically includes logs of the caliper (borehole diameter as a proxy for data quality), gamma ray (used, e.g., for sand-detection), porosity, and density. Special logging applications using the nuclear magnetic resonant (NMR) technique have also been used (e.g., Kleinberg et al., 2005) but appear to be most successful in thick sand-rich gas-hydrate occurrences. In principle, one can divide borehole logging approaches into two groups: logging-while-drilling (LWD) and measurement-while-drilling (MWD) as well as wireline logging. LWD/MWD offers an opportunity to determine the physical properties of sediments as the borehole is advanced, whereas wireline logging is always deployed after a borehole has already been drilled and measurements are sometimes made after considerable time delays. Thus, wireline logging data suffer more from potential borehole deterioration (or infill), and the risk is higher that gas hydrate in the near-well bore environment have either dissociated or additional artificial gas hydrate has been formed if drilling fluids were cooler than the ambient in situ temperatures. Wireline logging is also typically performed with the drilling pipe deployed up to 60-m deep into the formation, thus the shallow sediment section is typically not logged. LWD/MWD in contrast can (if carefully deployed) provide full coverage of the entire sediment column penetrated. A comprehensive summary of the logging tools, techniques, and data from various drilling campaigns is provided by Goldberg et al. (2010).
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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».