MétaCan
Menu
Retour à la cohorte
Enregistrement W2793673453 · doi:10.1190/geo2017-0512.1

Estimation of δ and <i>C</i><sub>13</sub> of organic-rich shale from laser ultrasonic technique measurement

2018· article· en· W2793673453 sur OpenAlexaff
Jianyong Xie, Bangrang Di, Douglas R. Schmitt, Jianxin Wei, Yangkang Chen

Notice bibliographique

RevueGeophysics · 2018
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueSeismic Imaging and Inversion Techniques
Établissements canadiensUniversity of Alberta
Organismes subventionnairesChina Scholarship Council
Mots-clésUltrasonic sensorAnisotropyOil shaleLookup tableAcousticsAttenuationComputer scienceFilter (signal processing)Synthetic dataNoise (video)AlgorithmMaterials scienceGeologyOpticsImage (mathematics)PhysicsArtificial intelligenceComputer vision

Résumé

récupéré en direct d'OpenAlex

The laser ultrasonic technique (LUT) has many advantages in dealing with the anisotropy of organic-rich shale over the transducer ultrasonic contacting measurement. We have developed a systematic procedure to estimate anisotropic parameter [Formula: see text] and elastic parameter [Formula: see text] in organic-rich shale from LUT measurement. A novel filtering method called the structural-oriented space-varying median filter (SOSVMF) is proposed for removing the erratic noise from the recorded data. We apply the proposed algorithm onto one synthetic example and real recorded data in artificial bakelite and organic-rich shale by using LUT to show the successful performance. Compared with the original recorded data, the denoised waveform by SOSVMF will also help to obtain more accurate parameter estimations of the anisotropic parameter [Formula: see text] and elastic parameter [Formula: see text]. More importantly, the presented systematic procedure may extend the application of LUT to the study of attenuation anisotropy in organic-rich shale and scale physical modeling. In addition, the surface-modification method may be an effective method to enhance the laser-ultrasonic conversion efficiency.

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: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,462
Score d'incertitude au seuil0,337

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 Opus0,011
Tête enseignante GPT0,194
Écart entre enseignants0,182 · 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'étudeExpérimental (laboratoire)
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

Citations14
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueGeophysicsMême sujetSeismic Imaging and Inversion TechniquesTravaux en français237 207