Calculating Effective Elastic Properties of Berea Sandstone Using the Segmentation‐Less Method Without Targets
Notice bibliographique
Résumé
Abstract We propose a new method to compute elastic properties of rocks from computed tomography (CT) images. A CT volume captures X‐ray attenuation, which is scaled in a CT number unit. Our method improves an existing segmentation‐less method where the CT volume is directly converted to elastic property arrays without using segmentation. A drawback of the existing segmentation‐less method is that it typically requires to scan physical targets of known density along with the sample. Targets map a CT volume into petrophysical property arrays by comparing the CT numbers of the sample with those of the targets. We introduce a segmentation‐less workflow that no longer requires targets but uses pseudotargets that are defined within the sample. Pseudotargets are composed of extrema CT numbers in the CT volume. We assume that regions containing extrema CT numbers represent pristine materials. The average CT numbers of such regions are paired to the pseudotarget densities to create a CT number‐to‐density conversion function. After density‐to‐porosity and porosity‐to‐elastic properties conversion, we simulate wave propagation on two Berea sandstone cores to estimate effective P and S wave velocities. To assess uncertainty, computed velocities are compared to laboratory measurements. We benchmark our technique against a segmentation‐less method, as well as the more commonly used segmentation‐based method. Among the three methods, the segmentation‐less method without targets yields the least absolute velocity error of 4.5%, whereas segmentation and segmentation‐less method yield +29% and +4.7% error, respectively. We conclude that the segmentation‐less method without targets can efficiently compute elastic properties of rocks from CT volumes, serving as a technique to create better subsurface models.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».