Detection of subtle differences in seismic amplitude using convergence rate of the logistic map
Notice bibliographique
Résumé
ABSTRACT Subtle reservoir is a key target of oil and gas exploration in the future. The high similarity of seismic amplitude between the reservoir and surrounding rock presents a challenge to detecting the reservoir boundary and its distribution. We have developed a global measurement of the distance between each sample value of seismic data and the stable fixed point of the data, i.e., the seismic convergence rate defined by the logistic map, and use it to highlight subtle differences in seismic amplitude. The logistic map is a fixed-point iteration system with one control parameter. To establish the relationship between seismic data and the logistic map, we define the stable fixed point of seismic data based on the Banach contraction principle and Cauchy convergence theorem, and we derive an equation for adaptively searching for the optimal control parameter of the logistic map based on the data’s stable fixed point. According to such an equation, we design a workflow to automatically generate seismic convergence rate for an input data. The seismic convergence rate is essentially the stable fixed-point image of seismic data, which is characterized by a fine structure and interpreted as the data’s invariant set. We use numerical experiments to illustrate the characteristics of seismic convergence rate, and we use the Marmousi model experiment to demonstrate the effectiveness of the seismic convergence rate on detecting subtle edges of seismic data. Then, we use real data from two typical carbonate exploration areas in China, the Central Tarim Basin and the Ordos Basin, respectively, to show the abilities of the seismic convergence rate in detecting hidden seismic facies and in detecting subtle edges in high-coherence zones, as well as in extracting the seismic invariant set.
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 ».