Compressive Seismic Imaging: Moving from research to production
Notice bibliographique
Résumé
Compressive sensing provides a new framework for sampling signals and wave-fields. This technology, based on non-uniform sampling, sparsity, and optimization can increase sampling efficiency by a factor of two or more in each sampling direction. Seismic data are acquired in four spatial dimensions, so the efficiency gains can approach an order of magnitude. When combined with simultaneous shooting, the gains can be even larger. We refer to our framework for utilizing compressive sensing concepts in seismic acquisition, processing, and imaging as Compressive Seismic Imaging, or CSI. Changing the way we acquire seismic data is a daunting challenge. Any data we acquire must be consistent with safe and efficient field operations, and must be suitable for the geophysical analysis required for exploration and development. Adoption of CSI for production seismic acquisition and processing requires clear demonstrations of not only acquisition efficiency, but also comparable or better results from applications such as imaging, inversion, and 4D analysis. ConocoPhillips utilized a technology qualification process to identify and address risks for CSI deployment, and to facilitate communication with stakeholders. This process was used to define field trials and other actions to assure that CSI not only met efficiency targets, but also satisfied quality requirements. ConocoPhillips has recently completed a full year of production application of CSI to land, marine, and ocean bottom node surveys. In all cases we have achieved significant improvements in both acquisition efficiency and in data quality. Acquisition efficiency improvements achieved in production range from a factor of 4 to as high as 10. In cases where efficiency was used to improve data quality, step function improvements in spatial resolution were achieved as well. The acquired data have also been used for imaging, AVO, and 4D analysis. Direct comparisons of these results have been made to both test data acquired specifically for comparison, and data from adjacent and overlapping surveys. In all cases, quality of the CSI data exceeds that of the comparison data. Presentation Date: Tuesday, September 26, 2017 Start Time: 11:00 AM Location: 371F Presentation Type: ORAL
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 | 0,012 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,005 |
| Communication savante | 0,004 | 0,008 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».