Use of Volume-Based 3-D Seismic Attribute Analysis to Characterize Physical-Property Distribution: A Case Study to Delineate Sedimentologic Heterogeneity at the Appleton Field, Southwestern Alabama, U.S.A.
Notice bibliographique
Résumé
Abstract In this paper we illustrate the use of 3-D seismic attribute studies for predicting the distribution of physical properties in the subsurface. Using a data set consisting primarily of digital logs and seismic data, we show how correlations can be made between seismic attributes and physical properties (porosity), and how those relationships can be exploited to predict the distribution of the property of interest in three dimensions. The results of these studies: (1) provide quantitative, site-specific 3-D models of physical properties that are of more use for applied studies than qualitative 2-D models commonly derived from facies modeling or sequence stratigraphic analysis, (2) are generally more geologically reasonable than studies based on geostatistics alone, (3) can provide sedimentary geologists with fundamental insights into depositional and/or diagenetic controls on the distribution of properties of interest, (4) need to be rigorously evaluated by integrating other types of data and analyses, and (5) are best thought of as supplementing, rather than replacing, conventional geologic analyses. The concepts and methods we illustrate may have application in various branches of sedimentary geology. Our study area is Appleton Field in southern Alabama. At this location we predict the 3-D distribution of porosity in carbonates of the Upper Jurassic Smackover Formation using a probabilistic neural network and a combination of four attributes. Our results suggest that porosity was best developed, and preserved, in thrombolite facies of the reef front.
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 | 0,002 | 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».