A Review of Subsidence Monitoring Techniques in Offshore Environments
Notice bibliographique
Résumé
In view of the ever-increasing global energy demands and the imperative for sustainability in extraction methods, this article surveys subsidence monitoring systems applied to oil and gas fields located in offshore areas. Subsidence is an issue that can harm infrastructure, whether onshore or especially offshore, so it must be carefully monitored to ensure safety and prevent potential environmental damage. A comprehensive review of major monitoring technologies used offshore is still lacking; here, we address this gap by evaluating several techniques, including InSAR, GNSSs, hydrostatic leveling, and fiber optic cables, among others. Their accuracy, applicability, and limitations within offshore operations have also been assessed. Based on an extensive literature review of more than 60 published papers and technical reports, we have found that no single method works best for all settings; instead, a combination of different monitoring approaches is more likely to provide a reliable subsidence assessment. We also present selected case histories to document the results achieved using integrated monitoring studies. With the emerging offshore energy industry, combining GNSSs, InSAR, and other subsidence monitoring technologies offers a pathway to achieving precision in the assessment of offshore infrastructural stability, thus underpinning the sustainability and safety of offshore oil and gas operations. Reliable and comprehensive subsidence monitoring systems are essential for safety, to protect the environment, and ensure the sustainable exploitation of hydrocarbon resources.
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) | 0,001 | 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 ».