Modeling and inversion of electromagnetic data collected over steel casings: An analysis of two controlled field experiments in Colorado
Notice bibliographique
Résumé
Abstract Modeling and inversion of electromagnetic (EM) data contaminated by steel infrastructure remains a numerically challenging task. In this study, we collected controlled-source EM (CSEM) field data at two test sites. First, we conducted a CSEM survey over a dry and abandoned well in eastern Colorado. Next, we collected CSEM data over a test well located at the Colorado School of Mines. The purpose of these experiments was to examine methods to invert EM data contaminated by infrastructure effects and recover undistorted subsurface conductivity models. We used a hybrid approach to model casing effects by considering the conductive metal as a distribution of secondary sources with magnitudes calculated using an approximate layered background. In particular, we applied the method of moments algorithm to calculate the magnitude of the secondary electric dipole sources along the casing. Subsequently, we included these secondary sources in a 3D finite-volume-based forward calculation and used the Gauss-Newton method to invert the contaminated field data. As expected, our preliminary inversion results show that by not considering casing effects, significant artifacts are introduced in the recovered models. Furthermore, we show that such artifacts are reduced significantly through the introduction of casing physics in the forward model, enabling the surrounding subsurface conductivity and corresponding geology to be characterized.
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 | 0,001 |
| 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 | 0,000 |
| 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 ».