Inferring total organic carbon and major element geochemical and mineralogical characteristics of shale core from hyperspectral imagery
Notice bibliographique
Résumé
ABSTRACT Hyperspectral systems that image drill core can capture detail mineralogical information at the millimeter scale and thus have the potential to enable investigators to characterize shale composition and heterogeneity, complementing the direct chemical and x-ray diffraction analysis of core samples and guiding detailed sampling. This method provides insight into petrophysical and geomechanical properties because these properties are significantly correlated to rock composition. We tested this approach on a continuous long core from the shale sequence of the Horn River Group in the Horn River Basin, British Columbia, sampled at a spacing of 1 m (40 in.) and analyzed for geochemical composition. These data enable the calibration of spectral imagery to rock composition and specifically predict total organic carbon (TOC) and the abundance of SiO2, Al2O3, K2O, and CaO. We then imaged nine samples from the Woodford Shale from the Permian Basin, Texas, for a blind test to assess the predictive models. The models were then used to predict TOC and geochemical data over detailed imagery of 300 m (984 ft) of Horn River Group shale core and portray their spatial variability downhole as images and profiles. In its simplest form, hyperspectral imagery can be enhanced to highlight fabric in shale core that otherwise is difficult to visualize because of low brightness. In addition, we show that spectral imagery of shale can also be processed to either convey mineralogical (quartz, clay, and carbonate) or geochemical information. The resulting views can readily be used to guide the selection of samples and may provide tools for scaling reservoir properties from individual plugs to reservoir volumes.
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) | 0,000 | 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 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 ».