Discrete Fracture Network (DFN) Analysis to Quantify the Reliability of Borehole-Derived Volumetric Fracture Intensity
Notice bibliographique
Résumé
Volumetric fracture intensity (P32) is a parameter that plays a major role in the mechanical and hydraulic behaviour of rock masses. While methods such as Ground Penetrating Radar (GPR) are available to map the 3D geometrical characteristics of the fractures, the direct measurement of P32 at a resolution compatible with geotechnical applications is not yet possible. As a result, P32 can be estimated from the borehole and surface data using either simulation or analytical solutions. In this paper, we use Discrete Fracture Network (DFN) models to address the problem of estimating P32 using information from boreholes (1D data). When calculating P32 based on Terzaghi Weighting, it is common practice to use drill run lengths and limit the minimum angle between the borehole and the intersected fractures. The analysis presented in this paper indicated that limiting the minimum angle of intersection would result in an underestimation of the calculated P32. Additionally, the size of the interval has a significant impact on the variability of the calculated P32. We propose a methodology to calculate P32 using variable lengths, depending on the angle between the fractures and the borehole. This methodology allows the capture of the spatial variation in intensity and simultaneously avoids artificially increasing or decreasing the intensity sampled along borehole intervals. Additionally, this work has addressed the impact of boundary effects in DFN models and proposes a methodology to mitigate them.
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 | 0,005 |
| 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 ».