Multivariate stochastic seismic inversion with adaptive sampling
Notice bibliographique
Résumé
ABSTRACT We have developed a fully coupled categorical-multivariate continuous stochastic inversion with a combined petro-elastic model and convolution. The new multivariate stochastic seismic inversion approach simulates multiple reservoir properties simultaneously and conditions them to the well and seismic data at the same time through the close integration of multivariate geostatistical modeling and stochastic inversion. This approach combines a trace-by-trace (column-wise) adaptive sampling algorithm with multivariate geostatistical techniques to select reservoir properties that match the seismic data. The adaptive sampling method uses an acceptance-rejection approach to condition geostatistical models to the well and seismic data. The adaptive sampling algorithm defines a practical stopping criteria based on the inherent uncertainty due to modeling assumptions and the size of the uncertainty space. This technique samples the realizations inside the space of uncertainty; the number of realizations attempted increases with the size of the space of uncertainty. Characterizing multiple reservoir properties simultaneously through the close integration of seismic inversion and multivariate geostatistical techniques leads to improved high-resolution reservoir property models that reproduce the original seismic data. A case study is considered to compare the proposed stochastic inversion approach with the conventional methods. The case study represents multivariate stochastic inversion provides high-resolution facies and reservoir physical properties simultaneously that reproduce the original seismic data within quality of data better than the other approaches.
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) | 0,000 | 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 ».