Predictive Soft Computing Methods for Building Digital Rock Models Verified by Positron Emission Tomography Experiments
Notice bibliographique
Résumé
Abstract The influence of core‐scale heterogeneity on continuum‐scale flow and laboratory measurements are not well understood. To address this issue, we propose a fully automated workflow based on soft computing to characterize the heterogeneous flow properties of cores for predictive continuum‐scale models. While the proposed AI‐based workflow inherently has no trained knowledge of rock petrophysical properties, our results demonstrate that image features and morphological properties provide sufficient measures for petrophysical classification. Micro X‐ray computed tomography ( μ xCT) image features were extracted from full core plug images by using a Convolutional Neural Network and Minkowski functional measurements. The features were then classified into specific classes using Principal Component Analysis followed by K ‐means clustering. Next, the petrophysical properties of each class were evaluated using pore‐scale simulations to substantiate that unique classes were identified. The μ xCT image was then up‐scaled to a continuum‐scale grid based on the defined classes. Last, simulation results were evaluated against real‐time flooding data monitored by Positron Emission Tomography. Both homogeneous sandstone and heterogeneous carbonate were tested. Simulation and experimental saturation profiles compared well, demonstrating that the workflow provided high‐fidelity characterization. Overall, we provided a novel workflow to build digital rock models in a fully automated way to better understand the impacts of heterogeneity on flow.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».