3D Printing for Experiments in Petrophysics, Rock Physics, and Rock Mechanics: A Review
Notice bibliographique
Résumé
Summary Geoscientific and engineering experiments in petrophysics, rock physics, and rock mechanics depend on multiple, costly, and sometimes rare samples used to characterize the properties of natural rocks. Testing these samples helps in modeling various hydrocarbon recovery and stimulation scenarios, as well as understanding the fluid-rock interactions in the subsurface under various pressure and temperature conditions. Over the last decade, 3D printing has matured to become a more commonly available tool to enable repeatable experiments with controllable materials and pore system geometries to investigate petrophysical, geomechanical, and geophysical properties of porous rocks. This review introduces the development, characteristics, and capabilities of 3D printing technology that are specifically used in research. Applications in the realm of petrophysics highlight the issues of replicating the pore network geometry and subsurface physics, aiming at understanding fluid flow in porous media problems. Using 3D-printed models in rock mechanics experiments focuses on generating comparable geomechanical properties and reproducing fractures, joint surfaces, and other rock structures, whereas in rock physics, geophysical forward modeling is highlighted to take advantage of 3D printing technology. By summarizing the recent advances in 3D printing as applied to petrophysics, rock physics, and rock mechanics, this review paper presents the current state of the art and the challenges in scale, cost, time, and materials, as well as the directions for advancing this frontier discipline to answer various fundamental questions regarding porous media research using 3D printing technology.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».