MétaCan
Menu
Retour à la cohorte
Enregistrement W2596616666 · doi:10.3997/2214-4609.201700027

InSAR - Pro-active Remote Sensing for Reservoir Management and Monitoring Environmental Safety

2017· article· en· W2596616666 sur OpenAlexaboutno aff
Mark Allan, Pieter Bas Leezenberg, Ramon F. Hanssen

Notice bibliographique

RevueProceedings · 2017
Typearticle
Langueen
DomaineEngineering
ThématiqueReservoir Engineering and Simulation Methods
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésInterferometric synthetic aperture radarSynthetic aperture radarRemote sensingGeologyInterferometrySatelliteElevation (ballistics)RadarPixelEnvironmental scienceComputer scienceEngineering

Résumé

récupéré en direct d'OpenAlex

Interferometric Synthetic Aperture Radar (InSAR) is a satellite-based technology that measures minute changes of surface elevation through time. These deformation changes, often less than 1 mm/month, may be caused by changes in the subsurface (e.g., imbalance between fluid withdrawal and injection, collapse of underground mines), or changes at the ground surface (e.g., surface blisters caused by shallow injection of steam or out-of-zone fluid movement, slope failures). Radar waves from successive passes of polar-orbiting satellites provide trillions of 3m by 3m pixels worldwide on a daily to monthly frequency. Using cloud computing and interferometry, the pixels over areas of interest can be used to monitor activities within oil and gas reservoirs, and also to give warnings of possible problems developing at the surface. Examples are shown for the Belridge giant oil field (California), Groningen giant gas field (the Netherlands), and the Peace River area (Alberta). In the three cases, surface deformation is used to monitor areal conformance in the reservoirs. Also, having satellite passes every 11 days means that reservoirs can be monitored proactively and the resultant datasets have the potential to replace traditional 4D seismic at a cost that is significantly less.

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)0,000
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 enseignants0,839
Score d'incertitude au seuil0,657

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
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 Opus0,029
Tête enseignante GPT0,281
Écart entre enseignants0,252 · 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

Citations2
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProceedingsMême sujetReservoir Engineering and Simulation MethodsTravaux en français237 207