search query: @keyword Transmissiviteetti / total: 1
reference: 1 / 1
« previous | next »
Author: | Hartikainen, Ari |
Title: | Statistical analysis of geological space |
Geologisen tilavuuden tilastollinen analyysi | |
Publication type: | Master's thesis |
Publication year: | 2014 |
Pages: | 63 Language: eng |
Department/School: | Insinööritieteiden korkeakoulu |
Main subject: | Teknillinen geologia ja sovellettu geofysiikka (IA3029) |
Supervisor: | Leveinen, Jussi |
Instructor: | Sievänen, Ursula ; Luukkonen, Ari |
Electronic version URL: | http://urn.fi/URN:NBN:fi:aalto-201408202429 |
OEVS: | Electronic archive copy is available via Aalto Thesis Database.
Instructions Reading digital theses in the closed network of the Aalto University Harald Herlin Learning CentreIn the closed network of Learning Centre you can read digital and digitized theses not available in the open network. The Learning Centre contact details and opening hours: https://learningcentre.aalto.fi/en/harald-herlin-learning-centre/ You can read theses on the Learning Centre customer computers, which are available on all floors.
Logging on to the customer computers
Opening a thesis
Reading the thesis
Printing the thesis
|
Location: | P1 Ark Aalto | Archive |
Keywords: | Statistical analysis Geology Transmissivity Tilastollinen analyysi Geologia Transmissiviteetti |
Abstract (eng): | Statistical analyses of geological properties needs specific statistical tools. The tools used in this thesis includes descriptive statistics, hypothesis testing and visual presentations in forms of histograms, kernel density plots and quantile- quantile plots. Data are discretised by inverse distance procedure and they are processed with principal factor analysis and multiple regression analysis with step- wise backward model selection. The variables chosen to be examined against transmissivity values are fracture frequency, single point resistance, fracture types and fracture filling including carbonates, sulphides and clays. The data are processed with the possible transformations including Box-Cox and square root procedures if visual inspection and descriptive statistics indicates distribution other than normal. The principal factor analysis ends up with three principal factors where the first principal factor can be considered as the fragmentation of the bedrock. The second principal factor group describes electrical resistance relationship with lithology, sulphide and resistance values. Diatexitic gneiss and mica gneiss are found to correlate positively with higher resistance. The third factor appears as a subgroup for the first factor and indicates complex relationship between fracture surface filling with carbonate and the fracture types such as single fractures, hair dykes and single shears. The multiple regression analysis gives insight into the relationship between the chosen variables and the transmissivity. It is found that the first factor and final regression model have similar properties. The lithological types including diatexitic and mica gneiss are found to have positively relationship with transmissivity. The carbonate variable does not survive in the regression and the reason for this is probably from the complex relationship with specific fracture types. |
Abstract (fin): | Geologisen aineiston tilastollinen analyysi tarvitsee oikeanlaiset tilastolliset työkalut. Tässä diplomityössä käytetään tunnuslukuja ja visuaalisia keinoja kuvaamaan muuttujien jakaumaa. Tämän lisäksi hypoteesitestejä käytetään vahvistamaan pääteltyjä ominaisuuksia. Käytetty aineisto on sovitettu transmissiviteetin suhteen. Sovitetulle datalle tehdään pääkomponenttianalyysi sekä monta muuttujaa sisältävä lineaarinen regressiomalli takaisin askellus mallin avulla. Muuttujat joiden suhdetta transmissiviteettiin halutaan tutkia on rakotiheys, pisteresistanssi, rakotyyppi sekä rakotäytemineralogia, joista on mukana karbonaatti, sulfidi sekä savi. Kerätylle ja sovitetulle datalle tehdään tarvittaessa Box-Cox tai neliöjuuri muunnos riippuen kuuluko data normaaliin jakaumaan vai mahdollisesti johonkin muuhun jakaumaan. Jakauman estimointi määritetään tunnuslukujen sekä visuaalisen aineiston avulla. Pääkomponenttianalyysissa päädytään kolmeen pääkomponenttiin, joista kolmas pääkomponentti on ensimmäinen pääkomponenttiryhmän alaryhmä. Ensimmäisestä pääkomponenttia voidaan kuvailla kallion rikkonaisuudeksi. Toista pääkomponenttiryhmää voidaan kuvata sähkönjohtavuuden avulla. Tämän perusteella diateksiittinen gneissi ja kiillegneissi korreloivat positiivisesti korkean resistanssin kanssa. Kolmas pääkomponenttiryhmä kuvaa karbonaatin ja rakotyyppien monimutkaista suhdetta. Lopullinen regressiomalli antaa selvemmän kuvan transmissiviteetin ja muiden muuttujien suhteesta toisiinsa. Regressiomalli antaa samankaltaisia tuloksia kuin pääkomponenttianalyysi, mutta selventää paremmin litologian ja transmissiviteetin suhdetta. Karbonaatti ei ole muuttujana lopullisessa mallissa, joka todennäköisesti johtuu rakotyypin ja karbonaatin monimutkaisesta suhteesta. |
ED: | 2014-08-03 |
INSSI record number: 49523
+ add basket
« previous | next »
INSSI