CRS-based depth model building and imaging of 3D seismic data from the Gulf of Mexico Coast
Notice bibliographique
Résumé
Abstract A seismic depth-imaging project starts from an initial depth model of interval velocities. From time processing of reflection seismic data, a set of stacking parameters or kinematic data attributes usually is available for an initial model building at little effort. Two methods for initial model building from time-processing attributes are compared in this case study, using 3D seismic land data from the coast of the Gulf of Mexico. Conventional normal moveout (NMO)/dip moveout (DMO) time processing performs one-parametric stacking using stacking velocity as the parameter. The stacking velocity field can be converted into a depth model by the well-known vertical Dix inversion, which is very fast and robust but degrades with increasing dip. Common-reflection surface (CRS) time processing, on the contrary, isbased on the multiparametric CRS stacking approach, providing several volumes of CRS-stacking attributes that include the wavefield dip, or horizontal slowness. Inversion of CRS attributes by CRS tomography incorporates this dip information in depth model building. In this case study, CRS or normal-incidence point (NIP) wave tomography is presented as a model-building link between high-resolution CRS time processing and subsequent depth processing. The CRS tomography model shows a better adaptation to the dipping subsurface structures than the Dix model and a good fit to well data. The smooth tomography model is well suited for further use in poststack and prestack depth migrations. It provides a good starting point for iterative model enhancement and salt-body definition in prestack depth migration.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,002 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».