Characterizing Spatial Heterogeneity of Hydraulic Conductivity Using Borehole NMR in a Complex Groundwater Flow System
Notice bibliographique
Résumé
Abstract Borehole nuclear magnetic resonance (NMR) logging can yield estimates of hydraulic conductivity ( K ) in unconsolidated sediments. Previous studies focused on establishing petrophysical models relating NMR responses to K and calibrating model constants for optimized K estimation. However, research has yet to explore the potential of NMR logging to derive spatial K distributions, which would enable its utilization in numerical groundwater flow and transport models. In this study, we construct various spatial K models based on NMR logging data. Characterization of spatial heterogeneity between NMR logs is explored using: (a) geostatistical interpolation approaches, including ordinary kriging and indicator kriging, (b) a zonation approach using clustering with spatial constraints for improved extraction of zone geometry, and (c) a hybrid model of multi‐level spatial heterogeneity nesting a zonal representation with zonally kriged K . The representativeness of NMR‐derived spatial K models is evaluated by reproducing a permeameter‐based K profile at an unsampled location and by comparing the numerically simulated drawdown responses with field observations of ten pumping tests. Results reveal that the spatially associated zonation model can effectively represent the K patterns between boreholes. Incorporating intralayer heterogeneity further refines the characterization of K heterogeneity, achieving optimal drawdown predictions. More importantly, its drawdown prediction performance remains stable with a limited NMR data set. This study provides a framework for using high‐resolution NMR‐derived K profiles from multiple boreholes to characterize spatial heterogeneity at sub‐meter scales in a highly heterogeneous, layered geologic deposit.
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 | 0,001 | 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 ».