Raman Spectroscopy Integrated with Machine Learning as a Tool for Maturity Assessment of Organic Matter: A Case Study in Santos Basin, Brazil
Notice bibliographique
Résumé
High Resolution Image Download MS PowerPoint Slide The thermal maturation assessment of organic matter (OM) is crucial for understanding the hydrocarbon generation and expulsion processes in oil-bearing rocks. Vitrinite, a maceral found in coal samples, has its reflectance (%Ro) measurement widely used as a paleotemperature indicator in organic-rich sedimentary rocks. However, alternative methods are necessary to determine paleotemperature in sedimentary basins where vitrinite is scarce or absent, such as in presalt formations. This work used Raman spectroscopy to determine the reflectance equivalent in OM present in carbonate rocks from a presalt petroleum system (Santos Basin, Brazil). Vitrinite fragments present in palynofacies sections from a well of the Potiguar Basin, Rio Grande do Norte, Brazil, collected in different depths, with %Ro obtained in the range from 0.46 to 2.72%, were used as reference material to model calibration using their Raman spectral parameters, assisted by the Machine Learning Least Absolute Shrinkage and Selection Operator (LASSO) algorithm. The strategy was employed to analyze 30 samples of presalt carbonate rocks containing solid bitumen, whose Raman spectral parameters were used to determine their equivalent reflectance values (% R Raman ). Calibration with vitrinite samples was done using excitation radiation with wavelengths at 532 and 632.8 nm. The % R Raman values were determined for all rock-containing bitumen samples using the exciting radiations. The methodology has proven to be an effective way to determine the OM thermal maturity.
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 ».