Observing and modeling the effects of production infrastructure in electromagnetic surveys
Notice bibliographique
Résumé
Abstract Electromagnetic (EM) methods are among the original techniques for subsurface characterization in exploration geophysics because of their particular sensitivity to the earth electrical conductivity, a physical property of rocks distinct yet complementary to density, magnetization, and strength. However, this unique ability also makes them sensitive to metallic artifacts — infrastructure such as pipes, cables, and other forms of cultural clutter — the EM footprint of which often far exceeds their diminutive stature when compared to that of bulk rock itself. In the hunt for buried treasure or unexploded ordnance, this is an advantage; in the long-term monitoring of mature oil fields after decades of production, it is quite troublesome indeed. Here we consider the latter through the lens of an evolving energy industry landscape in which the traditional methods of EM characterization for the exploration geophysicist are applied toward emergent problems in well-casing integrity, carbon capture and storage, and overall situational awareness in the oil field. We introduce case studies from these exemplars, showing how signals from metallic artifacts can dominate those from the target itself and impose significant burdens on the requisite simulation complexity. We also show how recent advances in numerical methods mitigate the computational explosivity of infrastructure modeling, providing feasible and real-time analysis tools for the desktop geophysicist. Lastly, we demonstrate through comparison of field data and simulation results that incorporation of infrastructure into the analysis of such geophysical data is, in a growing number of cases, a requisite but now manageable step.
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 | 0,000 |
| 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) | 0,000 | 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 ».