Accurate poststack acoustic-impedance inversion by well-log calibration
Notice bibliographique
Résumé
Abstract The seismic-impedance inversion problem is underconstrained inherently and does not allow the use of rigorous joint inversion. In the absence of a true inverse, a reliable solution free from subjective parameters can be obtained by defining a set of physical constraints that should be satisfied by the resulting images. A method for constructing synthetic logs is proposed that explicitly and accurately satisfies (1) the convolutional equation, (2) time-depth constraints of the seismic data, (3) a background low-frequency model from logs or seismic/geologic interpretation, and (4) spectral amplitudes and geostatistical information from spatially interpolated well logs. The resulting synthetic log sections or volumes are interpretable in standard ways. Unlike broadly used joint-inversion algorithms, the method contains no subjectively selected user parameters, utilizes the log data more completely, and assesses intermediate results. The procedure is simple and tolerant to noise, and it leads to higher-resolution images. Separating the seismic and subseismic frequency bands also simplifies data processing for acoustic-impedance (AI) inversion. For example, zero-phase deconvolution and true-amplitude processing of seismic data are not required and are included automatically in this method. The approach is applicable to 2D and 3D data sets and to multiple pre- and poststack seismic attributes. It has been tested on inversions for AI and true-amplitude reflectivity using 2D synthetic and real-data examples.
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 | 0,002 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».