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 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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».