MétaCan
Menu
Retour à la cohorte
Enregistrement W3197014985 · doi:10.1190/int-2020-0140.1

Hyperspectral fluorescence imaging: Robust detection of petroleum in porous sedimentary rock formations

2021· article· en· W3197014985 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

aboutLe titre ou le résumé porte un signal canadien du lexique géographique.
no affAucune affiliation canadienne : ce travail est invisible pour une base fondée sur la seule affiliation.
Aucune affiliation canadienne. Une base fondée sur la seule affiliation (le devis habituel) n'aurait jamais vu ce travail. C'est l'un des travaux qui justifient l'inversion de la base.

Notice bibliographique

RevueInterpretation · 2021
Typearticle
Langueen
DomaineEngineering
ThématiqueRemote-Sensing Image Classification
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésOil sandsHyperspectral imagingAsphaltGeologyAPI gravityPetroleumRemote sensingMineralogyEnvironmental scienceMaterials science

Résumé

récupéré en direct d'OpenAlex

Abstract Examining hand samples can be a necessary step for geologic studies, and effective mapping of such samples can be achieved through the high spectral and spatial resolutions of ground-based hyperspectral imaging (HSI) at the millimeter to centimeter scale. We have developed a simple approach to crude oil identification and characterization — feasible in 16 h — based on hyperspectral data collected under ultraviolet (UV) lighting and normalized with respect to the fluorescence patterns of the Spectralon diffuse reflectance material. The samples under consideration were extracted from a core acquired from an Early Cretaceous bituminous sandstone formation in the Athabasca Basin located near Fort McMurray, Alberta, Canada. This basin contains the largest natural bitumen deposit in the world, where surface mining operations currently are viable only for approximately 20% of the estimated 164 billion barrels of total recoverable oil reserves. This deposit is unique in that its tar sands are water-wet, which facilitates the separation of bitumen from the sandstone via water-based gravity separation. However, large amounts of water are still required for oil recovery; therefore, a fast and reliable way to mark portions of the deposit where ample petroleum has accumulated and assess its extractability based on its physical characteristics prior to mining can be helpful for optimizing resource usage. For this reason, we test and visually develop the ability of three classification methods — the spectral angle mapper, support vector machine, and supervised neural network — to distinguish among bitumen, Spectralon, and a nonfluorescent slate background based on the emission of visible light in response to absorbing UV light of different wavelengths. We also adopt spectral indices useful for indicating concentrated bitumen in tar sands. Errors inherent to the methodology are discussed along with ways to mitigate them. After accounting for these, HSI can be a valuable asset alongside other techniques used for production economics evaluation.

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.

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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,528
Score d'incertitude au seuil0,442

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 Opus0,008
Tête enseignante GPT0,209
Écart entre enseignants0,201 · 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