Notice bibliographique
Résumé
Our ultimate goal of seismic data processing is to produce seismic images with correct lateral and vertical positions, and with amplitude proportional to the reflection coeffi- cients in the subsurface. A good migrated image depends strongly on the accuracy of the velocity model. Prestack depth migration (PSDM) is a powerful tool not only for imaging but also for velocity model building. The main techniques used for migration velocity analysis include vertical updating and tomography analysis , including anisotropy parameters estimation. To achieve the goal of accurately positioning the seismic events in subsurface, the velocity anisotropy should be accounted for. If the presence of velocity anisotropy is important, then ignoring it will significantly degrade the final image accuracy. This thesis examines a frontier exploration survey acquired off the East Coast of Canada by Statoil Canada Ltd. and processed by CGG. Kirchhoff isotropic PSDM and tilted transverse isotropy (TTI) PSDM were conducted with the goals of good imaging and good velocity estimation. Structural interpretation and Amplitude Versus Offset (AVO) analysis for this survey demonstrate the benefits of TTI PSDM, whose subsurface images significantly reduced the exploration risk compared with isotropic PSDM. Estimation of reliable anisotropy parameters is challenging, especially for the survey studied in this thesis where no well information is available. This thesis presents a practical production method for building five parameter fields needed for TTI PSDM: p- wave velocity, Thomsen’s anisotropy parameters and the angles describing the symmetry axis of the anisotropy. This method includes 1D joint inversion (Huang, 2007) to estimate anisotropy parameter and high resolution tomography (Hu, 2011) to obtain accurate velocity models.
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) | 0,001 | 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 ».