Hydraulic Conductivity from <scp>Nuclear Magnetic Resonance</scp> Logs in Sediments with Elevated Magnetic Susceptibilities
Notice bibliographique
Résumé
Abstract This study examined the application of slim‐hole nuclear magnetic resonance (NMR) tools to estimate hydraulic conductivity ( K NMR ) in an unconsolidated aquifer that contains a range of grain sizes (silt to gravel) and high and variable magnetic susceptibilities (MS) (10 −4 to 10 −2 SI). A K calibration dataset was acquired at 1‐m intervals in three fully screened wells, and compared to K NMR estimates using the Schlumberger‐Doll research (SDR) equation with published empirical constants developed from previous studies in unconsolidated sediments. While K NMR using published constants was within an order of magnitude of K , the agreement, overprediction, or underprediction of K NMR varied with the MS distribution in each well. An examination of the effects of MS on NMR data and site‐specific empirical constants indicated that the exponent on T 2ML ( n ‐value in the SDR equation, representing the diffusion regime) was found to have the greatest influence on K NMR estimation accuracy, while NMR porosity did not improve the prediction of K . K NMR was further improved by integrating an MS log into the NMR analyses. A first approach detrended T 2ML for the effects of MS prior to calculating K NMR , and a second approach introduced an MS term into the SDR equation. Both were found to produce similar refinements of K NMR in intervals of elevated MS. This study found that low frequency NMR logging with short echo times shows promise for sites with moderate to elevated MS levels, and recommends a workflow that examines parameter relationships and integrates MS logs into the estimation of K NMR .
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 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 ».