Evaluating covariance-based geostatistical methods with bed-scale outcrop statistics conditioning for reproduction of intra-point bar facies architecture, Cretaceous Horseshoe Canyon Formation, Alberta, Canada
Notice bibliographique
Résumé
Geostatistical characterization of petroleum reservoirs typically suffers from problems of sparse data, and modelers often draw key parameters from analogous outcrop, numerical, and experimental studies to improve predictions. While quantitative information (bed-scale statistical distributions) from outcrop studies is available, translating the data from outcrop to models and generating geologically-realistic realizations with available geostatistical algorithms is often problematic. The overarching goal of this thesis is to test the capacity of covariance-based geostatistical methods to reproduce intra-point bar facies architecture while guiding those algorithms with bed-scale outcrop statistics from the Late Cretaceous Horseshoe Canyon Formation in southeastern Alberta. First, general facies architecture reproduction is tested with 2- and 3-facies synthetic and outcrop-based experiments with variable hard data, soft data weight, and soft data reliability. Next, 3-D sector models compare performance of different geostatistical simulation methods: sequential / co-sequential indicator, plurigaussian, and nested truncated gaussian. Findings show that despite integration of outcrop statistics, all conventional covariance-based geostatistical algorithms struggle to reproduce complex facies architecture that is observed in outcrop. Specifically, problems arise with: 1) low-proportion facies and 2) a weak statistical relationship between hard data (measured sections) and soft data (probability models). Nested modeling partially mitigates low-proportion issues and performs better as a result.
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 | 0,001 |
| 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) | 0,001 | 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 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 ».