Robust prestack <i>Q</i> -determination using surface seismic data: Part 2 — 3D case study
Notice bibliographique
Résumé
ABSTRACT In part one of this paper, we introduced a novel method of measuring seismic attenuation from prestack surface seismic data. This prestack Q-inversion (PSQI) employed methods to reduce the presence of spectral interference and then minimize the influence of interference that remains. By changing the domain of operation, angle-dependent effects in the overburden were eliminated when a locally 1D medium was assumed. To demonstrate the suitability of the PSQI method, we applied it to a 3D seismic survey from Western Canada. Preprocessing of the data was carried out to reduce noise, regularize amplitudes, and transform the seismic gathers into the τ-p domain prior to attenuation measurements. In addition to the seismic gathers, we also incorporated velocity data and zero-offset traveltime information. The result was that we were able to generate a map of 1/Q values which showed coherent patterns that could be explained by the presence of top gas in the reservoir. These measurements were correlated to independent amplitude attributes. We performed a number of other analyses to establish the appropriateness of the attenuation measurements. We compared 1/Q measurements with the predecessor QVO method, and showed that the PSQI measurements were less influenced by artifacts and were more robust to changes in the bandwidth of analysis. We also analyzed a VSP survey in the same geological setting and showed that the resulting measurement (1/Q = 0.0271) is very close to the mean PSQI value for the 3D survey (1/Q = 0.0312). This case study thus showed how the described PSQI method overcame many of the difficulties associated with obtaining accurate attenuation measurements from surface 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.
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 ».