AN APPLICATION OF PRINCIPAL COMPONENTS ANALYSIS TO BOREHOLE GEOPHYSICAL DATA
Notice bibliographique
Résumé
When multiple geophysical tests are performed in a well the resulting suite of logs form a set of multivariate data. It is commonly known that many of the geophysical tests respond to similar, and often inter-related geologic factors. While cross-plotting can be used to study relationships between pairs of logs, it fails to clearly present the relationships within the data. Principal Components Analysis (PCA), however, can provide additional insight by transforming the log data into a new orthogonal, yet simplified, coordinate system. The process of PCA involves three main steps: log correlation analysis, eigenvector interpretation, and component score cross-plotting. From this process the log analyst can gain an understanding of the factors controlling the variation within the data, and determine the uniqueness of the electrofacies encountered in the borehole. The PCA technique was applied to suites of logs from the Kitchener-Waterloo region of Southern Ontario. Previous analysis of the data included cross plotting of the various logs to determine the uniqueness of the lithofacies. The first stage of the PCA, correlation analysis, indicated the dominance of porosity and clay content variation. The correlation between density and porosity, however, varied significantly between wells. Eigenvector interpretation indicated that 78 percent of the total data variation was described by the first two principal components (63 and 15 percent, respectively), confirming the high degree of inter-relationship between the log measurements. Cross-plots of the data with respect to the components indicates the uniqueness of the various till units encountered in the region.
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 | 0,004 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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; 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 ».