Uncertainty reduction through geologically conditioned petrophysical constraints in joint inversion
Notice bibliographique
Résumé
ABSTRACT We have developed a joint geophysical inversion workflow that aims to improve subsurface imaging and decrease uncertainty by integrating petrophysical constraints and geologic data. In this framework, probabilistic geologic modeling is used as a source of information to condition the petrophysical constraints spatially and to derive starting models. The workflow then uses petrophysical measurements to constrain the values retrieved by geophysical joint inversion. The different sources of constraints are integrated into a least-squares framework to capture and integrate information related to geophysical, petrophysical, and geologic data. This allows us to quantify the posterior state of knowledge and to calculate posterior statistical indicators. To test this workflow, using geologic field data, we have generated a set of geologic models, which we used to derive a probabilistic geologic model. In this synthetic case study, we found that the integration of geologic information and petrophysical constraints in geophysical joint inversion could reduce uncertainty and improve imaging. In particular, the use of petrophysical constraints retrieves sharper boundaries and better reproduces the statistics of the observed petrophysical measurements. The integration of probabilistic geologic modeling permits more accurate retrieval of model geometry, and it better constrains the solution while still satisfying the statistics derived from geologic data. The analysis of statistical indicators at each step of the workflow indicates that (1) the inversion methodology is effective when applied to complex geology and (2) the integration of prior information and constraints from geology and petrophysics significantly improves the inversion results while decreasing uncertainty. Finally, the analysis of uncertainty to the integration of the conditioned petrophysical constraints also indicates that, for this example, the best results are obtained for joint inversion using petrophysical constraints spatially conditioned by geologic modeling.
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 | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».