COMBINING GEOSTATISTICS AND MULTI‐ATTRIBUTE TRANSFORMS: A CHANNEL SAND CASE STUDY, <i>BLACKFOOT</i> OILFIELD (ALBERTA)
Notice bibliographique
Résumé
In this paper, we combine the methods of geostatistics and multi‐attribute reservoir parameter prediction (the multi‐attribute transform) for the integration of seismic and well log data, and illustrate this new procedure with a case study involving the prediction of porosity at the Blackfoot oilfield, central Alberta. The objectives of the survey were to delineate incised, valley‐fill sediments within the Early Cretaceous Glauconitic Formation at this field and to distinguish between sand‐fill and shale‐fill. The input consisted of twelve porosity logs together with a 3D seismic volume and the inversion of this volume. Although an excellent correlation was found between porosity and the initial inverted acoustic impedance volume, the combination of traditional geostatistics and the multi‐attribute transform produced an improved final result. Our approach uses well logs to “train” the multi‐attribute transform algorithm. We first extract average porosity values over the depth zone of interest, and compare these values to average seismic attributes over the same zone. Cross‐validation is used to show which attributes are significant. We then apply the results of the training and cross‐validation to data slices derived from both the seismic data cube and the inverted cube to produce an initial porosity map. Finally, we improve the fit between the well‐log values and the porosity map using cokriging.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».