Did you smooth your well logs the right way for seismic interpretation?
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Correlations between physical properties and seismic reflection data are useful to determine the geological nature of seismic reflections and the lateral extent of geological strata. The difference in resolution between well logs and seismic data is a major hurdle faced by seismic interpreters when tying both data sets. In general, log data have a resolution of at least two orders of magnitude greater than seismic data. Smoothing physical property logs improves correlation at the seismic scale. Three different approaches were used and compared to smooth a density log: binomial filtering, seismic wavelet filtering and discrete wavelet transform (DWT) filtering. Regression plots between the density logs and the acoustic impedance show that the data smoothed with the DWT is the only method that preserves the original relationship between the raw density data and the acoustic impedance. Smoothed logs were then used to generate synthetic seismograms that were tied to seismic data at the borehole site. Best ties were achieved using the synthetic seismogram computed with the density log processed with the DWT. The good performance of the DWT is explained by its adaptive multi-scale characteristic which preserved significant local changes of density on the high-resolution data series that were also pictured at the seismic scale. Since synthetic seismograms are generated using smoothed logs, the choice of the smoothing method impacts on the quality of seismic-to-well ties. This ultimately can have economical implications during hydrocarbon exploration or exploitation phases.
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.
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 | 0,000 |
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 découle