A visual data-mining methodology for seismic facies analysis: Part 1 — Testing and comparison with other unsupervised clustering methods
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
Abstract Seismic facies analysis aims to identify clusters (groups) of similar seismic trace shapes, where each cluster can be considered to represent variability in lithology, rock properties, and/or fluid content of the strata being imaged. Unfortunately, it is not always clear whether the seismic data has a natural clustering structure. Cluster analysis consists of a family of approaches that have significant potential for classifying seismic trace shapes into meaningful clusters. The clustering can be performed using a supervised process (assigning a pattern to a predefined cluster) or an unsupervised process (partitioning a collection of patterns into groups without predefined clusters). We evaluate and compare different unsupervised clustering algorithms (e.g., partition, hierarchical, probabilistic, and soft competitive models) for pattern recognition based entirely on the characteristics of the seismic response. From validation results on simple data sets, we demonstrate that a self-organizing maps algorithm implemented in a visual data-mining approach outperforms all other clustering algorithms for interpreting the cluster structure. We apply this approach to 2D seismic models generated using a discrete, known number of different stratigraphic geometries. The visual strategy recovers the correct number of end-member seismic facies in the model tests, showing that it is suitable for pattern recognition in highly correlated and continuous seismic data.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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