Getting more out of drillhole televiewer data: geotechnical toolbox edition
Notice bibliographique
Résumé
This paper presents three case studies that utilise acoustic televiewer (ATV) survey data to improve the quality and consistency of geomechanical parameters including intact rock strength, joint condition, fracture spacing and rock mass quality. Two methods of leveraging televiewer data for geomechanical characterisation are explored. The first method employs scripted generation of downhole plots which compare average acoustic amplitude and travel time against logged strength and joint condition. The second is a preliminary automated structure identification workflow built on a state-of-the-art computer vision model (YOLOv8) trained to identify open discontinuities. Rock quality designation (RQD) and fracture count are estimated from the model outputs. Case study 1 illustrates an example of how these automated tools can be used to assist in maintaining data quality and consistency across large teams. It highlights the close correlation between acoustic amplitude and logged strength grade, and between travel time and joint condition, and demonstrates how these relationships can be used to identify logging errors and areas of improvement for individual loggers. Case 2 describes a multi-year drilling program where ATV data were used to improve confidence in logged strengths across weathering horizons and demonstrates a particularly strong relationship between acoustic amplitude and Leeb hardness. Case 3 evaluates the performance of the automated structure identification workflow when used for estimating RQD and fracture count, highlighting the tool’s strengths and limitations. These cases demonstrate ATV data’s significant potential for improving the consistency and quality of geotechnical characterisation.
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) | 0,000 | 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 ».