MétaCan
Menu
Retour à la cohorte
Enregistrement W2516294462 · doi:10.1190/segam2016-13868475.1

3D DC resistivity modeling of steel casing for reservoir monitoring using equivalent resistor network

2016· article· en· W2516294462 sur OpenAlexaff
Dikun Yang, Douglas W. Oldenburg, Lindsey J. Heagy

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueGeophysical and Geoelectrical Methods
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésCasingResistorResistive touchscreenElectrical conductorElectrical resistivity and conductivityFinite element methodGeologyCurrent (fluid)Electrical engineeringConductivityMaterials scienceMechanical engineeringMechanicsPetroleum engineeringEngineeringStructural engineeringVoltagePhysics

Résumé

récupéré en direct d'OpenAlex

Energized steel casings in oilfields channel electric currents generated for a surface resistivity survey down to the depth of target reservoir, enabling the use of electric methods in reservoir monitoring. Numerical simulation of such a survey often requires refined meshes to simulate the casing. In order to avoid the use of small cells, we propose a method that treats the earth’s conductivity model as a 3D equivalent resistor network (ResNet), and a casing as a parallel-circuit wire conductor. Numerical comparisons with a cylindrically symmetric code and with a finite element code show that ResNet provides accurate and efficient solutions to the current along the casing and to the electric field on the surface. Using ResNet, we further study how the current distributes along a casing: (1) The casing current approaches a nearly linear decay if the casing conductivity is sufficiently high; (2) The casing current is more sensitive to variation in the extent of a conductive injectate than that of a resistive one; (3) Under special circumstances the current can flow into the casing from the surrounding. Presentation Date: Wednesday, October 19, 2016 Start Time: 1:30:00 PM Location: 174 Presentation Type: ORAL

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,495
Score d'incertitude au seuil0,348

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,101
Tête enseignante GPT0,306
Écart entre enseignants0,205 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations37
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetGeophysical and Geoelectrical MethodsTravaux en français237 207