MétaCan
Menu
← Retour à la cohorte
Enregistrement W4406556037 · doi:10.1016/j.jrmge.2025.01.013

Segmenting identified fracture families from 3D fracture networks in Montney rock using a deep learning-based method

2025· article· en· W4406556037 sur OpenAlexafffund
Mei Li, Giovanni Grasselli

Notice bibliographique

RevueJournal of Rock Mechanics and Geotechnical Engineering · 2025
Typearticle
Langueen
DomaineEngineering
ThématiqueHydraulic Fracturing and Reservoir Analysis
Établissements canadiensUniversity of Toronto
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaNvidia
Mots-clésGeologyFracture (geology)Artificial intelligenceComputer scienceGeotechnical engineering

Résumé

récupéré en direct d'OpenAlex

Fractures are critical to subsurface activities such as oil and gas extraction, geothermal energy production, and carbon storage. Hydraulic fracturing, a technique that enhances fluid production, creates complex fracture networks within rock formations containing natural discontinuities. Accurately distinguishing between hydraulically induced fractures and pre-existing discontinuities is essential for understanding hydraulic fracture mechanisms. However, this remains challenging due to the interconnected nature of fractures in three-dimensional (3D) space. Manual segmentation, while adaptive, is both labor-intensive and subjective, making it impractical for large-scale 3D datasets. This study introduces a deep learning-based progressive cross-sectional segmentation method to automate the classification of 3D fracture volumes. The proposed method was applied to a 3D hydraulic fracture network in a Montney cube sample, successfully segmenting natural fractures, parted bedding planes, and hydraulic fractures with minimal user intervention. The automated approach achieves a 99.6% reduction in manual image processing workload while maintaining high segmentation accuracy, with test accuracy exceeding 98% and F 1 -score over 84%. This approach generalizes well to Brazilian disc samples with different fracture patterns, achieving consistently high accuracy in distinguishing between bedding and non-bedding fractures. This automated fracture segmentation method offers an effective tool for enhanced quantitative characterization of fracture networks, which would contribute to a deeper understanding of hydraulic fracturing processes.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,022
Score d'incertitude au seuil0,043

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,004
Tête enseignante GPT0,221
Écart entre enseignants0,217 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations6
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Rock Mechanics and Geotechnical Engineering→Même sujetHydraulic Fracturing and Reservoir Analysis→Travaux en français237 207→