XiaoMi-AI文件搜索系统
World File Search System中新世
在实验室条件下刺激当地微生物对露天矿中新世褐煤进行厌氧生物降解
1 弗罗茨瓦夫大学地质科学研究所，弗罗茨瓦夫，50-205，波兰 2 卡托维兹西里西亚大学生物、生物技术和环境保护研究所，卡托维兹，40-031，波兰 3 波兰科学院生物化学和生物物理研究所，华沙，02-106，波兰 10
中新世河畔河口的环境变化
这项工作分析了沉积相和在河中部提取的沉积物见证人的有孔虫关联（S.O.）从中新世到全新世进行了该部门的古环境重建。 div>在更新世期间，强大的Ero siva相导致在上新世上和上新世上，先前沉积在海洋平台上的新材料。 div>随后，该区域被潮汐通道/内部泥泞的平原所占据，这是一种冲积的平原，与新的新形态的新重要侵蚀相吻合，这是My-1违法行为期间与新通道和潮汐平原的潮汐洪水，最后在过去2000年的高高和超大型Marsmas的实施中。 div>证人A的上部由20世纪末至21世纪初之间进行的拟人填充。 div>
在异质碳酸盐储层中通过机器学习改善渗透率预测：中新世无效的中新世，Ras Fanar Field，Suez of Suez of Suez，埃及
抽象预测和插值井之间获得3D分布的渗透性是用于保护模拟的具有挑战性的任务。无碳酸盐储层中的高度异质性和成岩作用为准确预测提供了重要的障碍。此外，储层中存在核心和井记录数据之间的复杂关系。本研究提出了一种基于机器学习（ML）的新方法，以克服此类困难并建立强大的渗透性预测模型。这项研究的主要目的是开发一种基于ML的渗透性预测方法，以预测渗透率日志并填充预测的对数以获得储层的3D渗透率分布。该方法涉及将储层的间隔分组为流量单位（FUS），每个储层单位都有不同的岩石物理特性。概率密度函数用于研究井日志和FUS之间的关系，以选择可靠的模型预测的高加权输入特征。已实施了五种ML算法，包括线性回归（LR），多项式回归（PR），支持矢量回归（SVR），决策树（DET）和随机森林（RF），以将核心渗透性与有影响力的孔集成与有影响力的孔原木以预测渗透率。数据集随机分为训练和测试集，以评估开发模型的性能。对模型的超参数进行了调整，以提高模型的预测性能。为了预测渗透率日志，使用了两个包含整个重点毒的关键井来训练最准确的ML模型，以及其他井来测试性能。的结果表明，RF模型优于所有其他ML模型，并提供最准确的结果，其中调整后的确定系数（R 2 ADJ）在预测的渗透率和核心渗透率之间的训练集为0.87，对于测试集，平均绝对误差和平均正式误差（MSSE）的平均误差和0.32和0.19和0.19和0.19和0.19，均为0.82。据观察，当在包含整个储层FUS的井上训练RF模型时，它表现出较高的预测性能。这种方法有助于检测井的孔原木和渗透率之间的模式，并捕获储层的广泛渗透率分布。最终，通过高斯随机函数模拟地统计学方法填充了预测的渗透率日志，以构建储层的3D渗透率分布。研究成果将帮助ML的用户对适当的ML算法做出明智的选择，以在碳酸盐储层表征中使用，以进行更准确的通透性预测，并使用有限的可用数据进行更好的决策。
中新世气候最佳期间的近图PCO2
摘要要改善人为气候变化的未来预测，对CO 2（P CO 2）的全球温度与大气浓度之间的关系有更好的理解，或者需要气候敏感性。对过去的气候变化发作中的代理数据进行分析对于实现这一目标是必要的，例如某些地质时期，例如中新世气候最佳（MCO），这是一个瞬时的全球变暖时期，全球温度高达〜7°C，高达〜7°C，比今天越来越高，越来越高，越来越多地将其视为对未来的良好的对未来的气候良好的态度。然而，问题仍然是气候模型不能以低于800 ppm pc co 2的速度再现MCO温度，而大多数先前发表的代理记录P CO 2 <450 ppm。在这里，我们使用p CO 2重建的四种当前方法，使用了井的过时的McoLagerStätte沉积物，并使用了井的过时的McoLagerStätte沉积物，并使用了PO CO 2重建的四种方法，将MCO P CO 2重建了MCO P CO 2。这些方法主要基于气孔密度，碳同位素或两者的组合，从而提供独立的结果。总共六次重建大多数记录了〜450 - 550 ppm的P CO 2。尽管略高于先前重建的P CO 2，但仍保留气候模型所需的约800 ppm的差异。我们得出结论，在MCO期间，气候灵敏度升高，表明在相对中度的P CO 2处可能发生高度升高的温度。在气候变化的未来预测中应非常重视气候敏感性，温度升高。