Examples from Eastern Venezuelan and Canadian Foothills
Bibliographic record
Abstract
Résumé — Modélisation de bassin en zones complexes: exemples des piémonts vénézuéliens et canadiens — L'objectif de la modélisation de bassin est de reconstruire l'histoire géologique d'un bassin sédimentaire et de ses systèmes pétroliers afin de pouvoir prédire l'existence d'accumulations. Les modèles de bassin prennent en compte la compaction, les transferts de chaleur, la génération des hydrocarbures et la circulation des fluides. Cependant, les modèles de bassin classiques ne sont pas utilisables dans les zones de piémont où la géométrie est complexe. C'est pour répondre à ce besoin que le prototype Ceres a été développé. Ce prototype est capable de simuler dans une section 2D des écoulements triphasiques pour un bassin dont la géométrie évolue au cours du temps sous l'effet de la sédimentation, de la compaction, des érosions, de la tectonique salifère et des déplacements des blocs le long des failles. Une étude est généralement constituée de trois étapes principales. La première consiste à construire la section à l'époque actuelle. Ceci est généralement effectué à partir de l'interprétation sismique, des données de puits, des observations d'affleurements et des analyses de carottes. Durant cette étape, la section est généralement équilibrée en utilisant un logiciel tel que Locace. La seconde étape consiste à la restauration de la section. La section à l'époque actuelle est restaurée
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 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.009 | 0.000 |
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".