Segmenting identified fracture families from 3D fracture networks in Montney rock using a deep learning-based method
Notice bibliographique
Résumé
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».