Pore Network and Morphological Characterization of Pore-Level Structures
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 Due to the computational simplicity and time efficiency, pore network and morphological techniques are two practical approaches for characterization of pore-scale microstructures. The methods are quasi-static and exploit pore space spatial statistics to simulate pore invasions. Here, both procedures are evaluated applying the workflows to pore-level micro-scale subdomains of Sandstone, Carbonate and Shale formations. A statistical approach is also utilized to improve the accuracy of Shale characterization by spatial restoration of fragmentary parts of organic matter. Post-processing results include relative permeability and capillary pressure curves, absolute permeability, formation factor, and thermal connectivity. The results appear to suggest that the accuracy of pore network modeling in the characterization of subdomains of micro-CT images is compromised by the presence of limited number of network elements, ignoring the resistance of pore elements, multi-scale structures, and tight/weak connections represented by an inadequate number of voxels. Pore network extraction negatively affects the accuracy of petrophysical predictions and ignores solid matrix and its thermal and electrical properties. The pore morphological approach accurately reproduces the fluid occupancies, efficiently deals with a variety of rock configurations and resolutions, and preserves connectivity and details of original images having more geometrical features than the pore network modeling. However, it predicts limited step-wised data points and realizations sourcing from its voxel-based nature. In addition, direct simulations confirm that stochastic conditional reconstruction of organic matter inside shale sub-volumes remarkably boosts the pore space connectivity and improves the accuracy of predictions.
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 | 0,000 | 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 | 0,000 |
| 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