High-resolution wave-equation AVA imaging: Algorithm and tests with a data set from the Western Canadian Sedimentary Basin
Notice bibliographique
Résumé
Abstract This paper presents a 3D least-squares wave-equation migration method that yields regularized common-image gathers (CIGs) for amplitude-versus-angle (AVA) analysis. In least-squares migration, we pose seismic imaging as a linear inverse problem; this provides at least two advantages. First, we are able to incorporate model-space weighting operators that improve the amplitude fidelity of CIGs. Second, the influence of improperly sampled data (footprint noise) can be diminished by incorporating data-space weighting operators. To investigate the viability of this class of methods for oil and gas exploration, we test the algorithm with a real-data example from the Western Canadian Sedimentary Basin. To make our problem computationally feasible, we utilize the 3D common-azimuth approximation in the migration algorithm. The inversion algorithm uses the method of conjugate gradients with the addition of a ray-parameter-dependent smoothing constraint that minimizes sampling and aperture artifacts. We show that more robust AVA attributes can be obtained by properly selecting the model and data-space regularization operators. The algorithm is implemented in conjunction with a preconditioning strategy to accelerate convergence. Posing the migration problem as an inverse problem leads to enhanced event continuity in CIGs and, hence, more reliable AVA estimates. The vertical resolution of the inverted image also improves as a consequence of increased coherence in CIGs and, in addition, by implicitly introducing migration deconvolution in the inversion.
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 | 0,001 |
| 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 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 ».