Enhancing Fracture Network Characterization: A Data-Driven, Outcrop-Based Analysis
Notice bibliographique
Résumé
The stochastic discrete fracture network (SDFN) model is a practical approach to model complex fracture systems in the subsurface. However, it is impossible to validate the correctness and quality of an SDFN model because the comprehensive subsurface structure is never known. We utilize a pixel-based fracture detection algorithm to digitize 80 published outcrop maps of different scales at different locations. The key fracture properties, including fracture lengths, orientations, intensities, topological structures, clusters and flow are then analyzed. Our findings provide significant justifications for statistical distributions used in SDFN modellings. In addition, the shortcomings of current SDFN models are discussed. We find that fracture lengths follow multiple (instead of single) power-law distributions with varying exponents. Large fractures tend to have large exponents, possibly because of a small coalescence probability. Most small-scale natural fracture networks have scattered orientations, corresponding to a small κ value (κ<3) in a von Mises–Fisher distribution. Large fracture systems collected in this research usually have more concentrated orientations with large κ values. Fracture intensities are spatially clustered at all scales. A fractal spatial density distribution, which introduces clustered fracture positions, can better capture the spatial clustering than a uniform distribution. Natural fracture networks usually have a significant proportion of T-type nodes, which is unavailable in conventional SDFN models. Thus a rule-based algorithm to mimic the fracture growth and form T-type nodes is necessary. Most outcrop maps show good topological connectivity. However, sealing patterns and stress impact must be considered to evaluate the hydraulic connectivity of fracture networks.
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) | 0,001 | 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».