Time-lapse seismic performance of a sparse permanent array: Experience from the Aquistore CO2 storage site
Notice bibliographique
Résumé
ABSTRACT A sparse areal permanent array of buried geophones was deployed at the Aquistore CO2 storage site in Saskatchewan, Canada. The purpose of this array is to facilitate 4D seismic monitoring of CO2 that is to be injected to the deep subsurface. Use of a sparse buried array is designed to improve the repeatability of time-lapse data and to economize the monitoring effort. Prior to the start of CO2 injection, two 3D dynamite seismic surveys were acquired in March 2012 and May 2013 using the permanent array. The objective of acquiring these data was to allow an assessment of the data repeatability and overall performance of the permanent array. A comparison of the raw data from these surveys and with a conventional high-resolution 3D vibroseis survey demonstrated that (1) the signal-to-noise ratio for the buried geophones was increased by 6–7 dB relative to surface-deployed geophones and by an additional 20 dB for dynamite relative to a vibroseis source, (2) the use of buried sensors and sources at this site did not appear to be significantly degraded by the effects of ghosting, (3) repeatability for the permanent array data was excellent with a mean normalized root-mean-square (nrms) value of 57% for the raw baseline-monitor difference, (4) the variance of nrms values was higher for shot gathers (18%) compared with receiver gathers (7%), and (5) the raw data repeatability was a factor of three improved over that of comparable surface-geophone data acquired at a nearby location. The use of a sparse buried permanent array at the Aquistore site has demonstrably achieved a reduction in ambient noise levels and overall enhanced data repeatability, both of which are keys to successful 4D seismic monitoring.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».