Estimation of fracture weaknesses and integrated attenuation factors from azimuthal variations in seismic amplitudes
Notice bibliographique
Résumé
ABSTRACT Seismic wave propagation in fractured reservoirs exhibits anisotropy and attenuation, which are in turn related to fracture properties (e.g., fracture density) and fluid parameters (e.g., moduli and viscosity). Based on the linear slip theory, stiffness parameters can be determined for fractured and dissipative rocks, from which integrated attenuation factors involving host-rock intrinsic attenuation and fracture-induced attenuation emerge. Using a simplified mathematical form for these stiffness parameters, a linearized mathematical relationship directly relating the reflection coefficient to fracture weaknesses and integrated attenuation factors is available. A two-step inversion approach, involving (1) an iterative damped least-squares algorithm to predict P- and S-wave moduli using seismic angle gathers along the fracture orientation azimuth and (2) an iterative inversion method to estimate fracture weaknesses and integrated attenuation factors from azimuthal amplitude differences, is examined. The objective function for the second step is constructed based on a Bayesian framework. Synthetic testing confirms that fracture weaknesses and integrated attenuation factors are stably determined from seismic amplitudes exhibiting a moderate signal-to-noise ratio. The approach is applied to a field data set from a fractured carbonate reservoir. We observe that geologically reasonable results of fracture weaknesses and integrated attenuation factors are obtained. We conclude that this estimation procedure provides a reliable tool in fracture prediction and inverted attenuation factors appear as additional proofs to identify fluid type in fractured reservoirs.
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 ».