Evaluating Brine Deposits Using Borehole Magnetic Resonance
Notice bibliographique
Résumé
Brine mining is an important source of elements such as potassium, iodine, lithium, and bromine that occur in solution in groundwater, typically in shallow brines occurring beneath saline or dry lakes or in deep brines in sedimentary basins. Where feasible, brine mining is an attractive alternative to conventional mining due to lower surface and environmental impact and lower OPEX than conventional mining operations.As with any resource, evaluating brine deposits requires developing an understanding of how much resource is present and how it can be most economically produced. How much resource is present is a function of the bulk aquifer volume, the specific yield, and the brine composition, while the primary subsurface control on economic production is hydraulic conductivity, which dictates the rate at which the brine can be produced to surface. Specific yield and hydraulic conductivity are analogous to the free fluid volume and permeability quantities that are of interest in oil and gas resource assessment.Borehole magnetic resonance has been applied in the oil and gas industry for the evaluation of bound and free fluid volumes and permeability for over twenty years. These same methodologies are equally applicable in the evaluation of brine deposits, however the hypersaline brines that are targets for commercial development cause highly conductive borehole environments that can be extremely challenging for magnetic resonance measurements. Nevertheless, use of borehole magnetic resonance measurements to help evaluate a sulphate of potash brine deposit currently under assessment shows that such measurements can be employed successfully in these environments.
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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».