Application of the Gray Level Co-occurrence Matrix (GLCM) Technique for Analyzing Fracture Networks in the Granitic Basement of Cuu Long Basin, Vietnam
Notice bibliographique
Résumé
The Cuu Long Basin (CLB) in offshore Vietnam is a key hydrocarbon-producing region, known for its complex geological structures, particularly in the basement granite. However, traditional seismic methods often struggle to accurately map faults and fractures within the basement granite, largely due to the lack of distinct geological layering. To overcome this challenge, this study proposes the application of the gray level co-occurrence matrix (GLCM) technique to analyze the texture of geological features, such as faults and fractures, within the basement granite of the CLB. By applying the GLCM method, the study aims to detect basement faults, identify lineaments, and examine the compartmentalization of basement reservoirs. The results demonstrate that the GLCM analysis reveals zones with shallow-deep fault interactions have lower prospectivity compared to areas where older faults do not extend upwards. Additionally, the GLCM attributes show a correlation with the FMI (Formation Micro Imager) data, assisting in the identification of additional oil reserves. GLCM analysis reveals that zones with interactions between shallow and deep faults show lower prospectivity compared to areas where older faults remain confined to deeper levels in the basement granite of the CLB. These findings underscore the potential of GLCM as a valuable tool for enhancing fault detection and reservoir characterization in complex geological settings like the CLB.
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 | 0,002 | 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 | 0,001 | 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 ».