Caracterização petrofísica de rochas reservatório por Ressonância Magnética Nuclear
Bibliographic record
Abstract
de Geofísica Este texto foi preparado para a apresentação no IV Simpósio B Brasília, 14 a 17 de novembro de 2010.Seu conteúdo foi revisado pelo Comitê Técnico do IV SimBGf, mas não necessariamente representa a opinião da SBGf de seus associados.É proibida a reprodução total ou parcial deste material para propósitos comerciais sem prévia autorização da SBGf.________________________________________________________________ Resumo O presente trabalho demonstra a aplica RMN na caracterização petrofísica reservatório.Para isso, foram medidos os tempos de relaxação (T1 e T2) e as constante translacional (D) de 25 amostras de afloramentos saturadas com solução salina.A partir dos dados RMN, propriedades como porosidade tamanho de poros, saturação irredutível de água, permeabilidade, entre outras, foram estimados quantitativamente e qualitativamente.Os resultados foram confrontados com valores de referências Introdução Desde a descoberta do fenômeno no final da 40, a Ressonância Magnética Nuclear (RMN) consolidando como um dos métodos indiretos importantes para a caracterização de propriedades petrofísicas de rochas reservatório, e fluidos saturantes (Kleinberg & Jackson, 2001) Parte da importância da perfilagem por RMN na avaliação de formações reside na grande quantidade de respostas que a ferramenta é capaz de principalmente quando comparada aos perfis (Ellis & Singer, 2008).Essa característica simplicidade, rapidez de execução e destrutivo da análise, explica parte d crescimento como ferramenta laboratorial Com o intuito de demonstrar sua petrofísica, nesse artigo são apresenta diversos ensaios laboratoriais, qualitativos e quantitativos, realizados em plugues que reproduzem características de rochas reservatório.Uma vez que a teoria básica de RMN encontra extensamente documentada na literatura 1987; Levitt, 2001), apenas uma síntese dos principais fundamentos será apresentada a seguir.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.004 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".