Reserves' potential of sedimentary basin (modeling and estimation)
Notice bibliographique
Résumé
L'objectif de cette thèse est de construire un modèle statistique de la distribution des tailles des gisements d'hydrocarbures qui existent dans le sous-sol d'un bassin sédimentaire, ainsi que de celle des découvertes déjà effectuées. L'estimation des paramètres de ce modèle via l'estimation de la densité des observations par sélection de modèles de polynômes par morceaux par maximum de vraisemblance pénalisé nous permet de déduire des estimations du nombre de gisements restant à découvrir, par classe de taille. Nous supposons que l'ensemble des tailles des champs qui existent dans la nature est un échantillon d'effectif inconnu d'une loi de Lévy-Pareto de paramètre lui-même inconnu. Les champs déjà découverts en représentent un sous échantillon sans remise biaisé par un "effet taille", dont les probabilités d'inclusion sont à estimer. Nous montrons que la densité des observations est le produit de la densité sous-jacente et d'une fonction de pondération inconnue représentant le biais dans le tirage. Une partition arbitraire de l'intervalle des tailles étant fixée (un modèle), les solutions analytiques des programmes de maximisation de la vraisemblance permettent d'estimer le paramètre de la loi sous-jacente ainsi que la fonction de pondération supposée en escalier et basée sur la partition. Nous ajoutons éventuellement une contrainte de monotonie sur cette dernière, rendant compte du fait que plus un objet est grande taille et plus sa probabilité d'avoir été découvert est importante. Des estimateurs de type Horvitz-Thompson permettent alors de conclure. Nous faisons ensuite varier les partitions au sein de différentes classes et démontrons un théorème de sélection de modèles permettant de choisir la partition la mieux adaptée, en terme de risques Hellinger et Kullback de l'estimateur associé. Nous concluons par des simulations, ainsi que plusieurs applications à des données réelles de bassins sédimentaires de quatre continents pour illustrer les aspects tant théoriques que pratiques de notre modélisation.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».