A Novel Workflow for Building Multiple Point Statistics Training Images from Virtual Outcrops
Notice bibliographique
Résumé
Outcrop analogues of reservoirs are applied because facies-scale reservoir heterogeneities are frequently unresolvable at seismic-scale and well data provides sparse 1D geometrical data. Traditionally, geocellular models rely on manually measuring variograms or object dimensions from outcrops to define the geometry, size and directionality of facies proportions. Therefore, their ability to capture complex shapes and facies relationships in the subsurface is restricted by the quality of available geological data and the limitations of modelling algorithms. Multiple-point statistics (MPS) is a property modelling technique dependent on representative training images (TIs)- conceptual numerical descriptions of the geology expected in the reservoir under study. Lack of suitable TIs has limited the application of the MPS method to date. Recent advances in digital outcrop mapping methods, including lidar and photogrammetry, permit the rapid acquisition of high-resolution 3D virtual outcrop models. These provide a critical and underused source of qualitative and quantitative information for high quality TI generation. We present a novel approach to apply 3D virtual outcrops as TIs; coupled with the streamlining of lidar integration into subsurface models using examples from the Bolea area, Ebro Basin, northern Spain. This approach will significantly improve prediction of 3D facies heterogeneity and its impact on reservoir performance.
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 | 0,001 |
| 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 ».