LP and ML Sparse Spike Inversion for Reservoir Characterization - A Case Study from Blackfoot Area, Alberta, Canada
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Summary The present study focuses on Sparse Spike inversion techniques to estimate P-impedance and density profile, the important parameters for characterizing the reservoir. Two types of Sparse Spike inversion method popularly used in the seismic industry are utilised in the present study - Linear Programming sparse spike inversion (LPSSI) and Maximum Likelihood sparse spike inversion (MLSSI). The inversion techniques are applied to process the 3D-3C Blackfoot post-stack seismic data for better characterization of the reservoir. The inversion results show low inverted P-impedances and density around 1058–1068ms. The low values are inferred to be due to the presence of sandstone channel. The high correlation coefficient variation of 0.955 to 0.992 for LPSSI and 0.922 to 0.974 reiterate that both method works well and are able to resolve the channel but the estimated results are better from LPSSI than from MLSSI method. The synthetic relative error showed variation from 0.125 to 0.298 and 0.225 to 0.388 for LPSSI and MLSSI respectively. These numbers indicate that the relative errors from the implementation of LPSSI method are low in comparison to the MLSSI algorithm. The analysis of inversion results suggests that LPSSI method provide better reservoir characterization than MLSSI for Blackfoot 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.
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 découle