Double-difference waveform inversion: Feasibility and robustness study with pressure data
Notice bibliographique
Résumé
ABSTRACT Time-lapse seismic data are widely used to monitor reservoir changes. Qualitative comparisons between baseline and monitor data sets or image volumes provide information about fluid and pressure effects within the reservoir during production. However, to perform real quantitative analysis of such reservoir changes, quantitative estimates of the elastic parameters are required as input parameters to rock-physics-based reservoir models. Full-waveform inversion has been proposed as a potential tool for retrieving subsurface properties, such as P- and S-wave velocities and density by fitting simulated waveforms to seismic data. An extension of this method to time-lapse applications seems straightforward, but, in fact, it requires more tailored processes such as double-difference waveform inversion (DDWI). We used realistic 2D synthetic pressure data examples to compare the performance of DDWI with that of two other inversion schemes: one using the same starting model for both inversions and the other starting the monitor inversion with the final baseline inversion model. The data simulation and inversion were based on acoustic theory. Although P-wave velocity changes were reliably recovered by each inversion method, DDWI was found to deliver the best results when perfectly repeated surveys were used. However, differencing the baseline and monitor data sets, as required by DDWI, could be found to be sensitive to the presence of survey nonrepeatability. To investigate the feasibility of using DDWI in practice, the dependence of DDWI on the quality of the baseline models and its robustness to survey nonrepeatability were studied with numerical tests. Various types of nonrepeatability were considered separately in the synthetic tests, including random noise, acquisition geometry mismatch, source wavelet discrepancy, and overburden velocity changes. A study of the correlation between the levels and types of nonrepeatability and the resulting contamination of the inversion results found that, for pressure data, DDWI was capable of inverting reliably for P-wave velocity changes under realistic survey nonrepeatability conditions.
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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».