Time-lapse full-waveform inversion with ocean-bottom-cable data: Application on Valhall field
Notice bibliographique
Résumé
ABSTRACT Knowledge of changes in reservoir properties resulting from extracting hydrocarbons or injecting fluid is critical to future production planning. Full-waveform inversion (FWI) of time-lapse seismic data provides a quantitative approach to characterize the changes by taking the difference of the inverted baseline and monitor models. The baseline and monitor data sets can be inverted either independently or jointly. Time-lapse seismic data collected by ocean-bottom cables (OBCs) in the Valhall field in the North Sea are suitable for such time-lapse FWI practice because the acquisitions are of a long offset, and the surveys are well-repeated. We have applied independent and joint FWI schemes to two time-lapse Valhall OBC data sets, which were acquired 28 months apart. The joint FWI scheme is double-difference waveform inversion (DDWI), which inverts differenced data (the monitor survey subtracted by the baseline survey) for model changes. We have found that DDWI gave a cleaner and more easily interpreted image of the reservoir changes compared with that obtained with the independent FWI schemes. A synthetic example is used to demonstrate the advantage of DDWI in mitigating spurious estimates of property changes and to provide cross validations for the Valhall data results.
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 | 0,003 |
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 ».