Discriminating Stratigraphic and Acquisition Discontinuities From Natural Fractures Using Multi-Attributes Neural Networks
Notice bibliographique
Résumé
Application of Neural Networks analyses has recently attracted more attention among geoscientists trying to apply mathematical knowledge to gain more geological information from seismic data. Neural networks are one of the most efficient ways to recombine multiple input attributes and achieve a high quality extraction of a target feature or rock property from seismic data. This paper presents a new application of neural network method to combine curvature attributes, mainly most positive curvature, with different step-outs for discontinuity analysis using examples of North Sea 3D dataset (F3 block), Western Canada Sedimentary Basin, and Kandkhot (Sui Main Limestone) block, Pakistan. Curvature attribute analysis is often used to separate structure and/or stratigraphic discontinuities such as faults below seismic resolution, shear zones, channel edges and strand-plains. Classification process also allows the suppression of acquisition artifacts of the seismic data. In the curvature analysis, a critical aspect is the spatial extent of each curvature calculation. A smaller spatial extent will reveal features while the larger spatial calculations will reveal a different set of geological details. Usually, the curvature attribute highlights the acquisition footprints while the other lineaments are obscured by these curvatures. The interest of the interpreter is to have all these curvature information classified so they could be separated to investigate each type of lineament. The Most Positive Curvature attribute provides the maximum correlation to the different geological features of available 3D dataset. We generated Most Positive Curvature attributes using step-outs of 5x5, 7x7, 9x9, 11x11 and 15x15 samples in the XY domain. The afore mentioned five volumes were then classified together using un-supervised neural network. The process starts with choosing 5000 random samples between two horizons covering a slice of about 100 ms thick. These 5000 samples represent a set of various curvature values from all five volumes. The neural network approach is given 10 classes. This volume can also be known as a hybrid volume and it generates a classified output. The classified volume or Most Positive Classfied Curvature Cube (MPC3) can differentiate lineaments from the background such as acquisition footprints.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».