Qualitative time-lapse seismic interpretation of Norne Field to assess challenges of 4D seismic attributes
Notice bibliographique
Résumé
Abstract Interpretation of time-lapse (or 4D) seismic data in terms of reservoir changes due to production posed many challenges in the Norne Field as the field experienced intense production activity from 1997 to 2006. For some segments within the field, fluid movement and pressure changes have approximately the same degree of impact and possibly opposite effects on the seismic data. Moreover, hardening anomalies could be caused by the increase in water saturation or gas going back to solution, while softening anomalies could be related to the increase in pore pressure or the decrease in fluid bulk modulus following the injection of gas. Therefore, for time-lapse seismic analysis to be most effective and less erroneous, different seismic attributes must be addressed to infer reservoir changes caused by production activity such as seismic amplitude and impedance derived by seismic inversion. In the present work, we analyze the challenges of 4D seismic interpretation in the Norne benchmark case. Our study indicates that acoustic impedance differences derived by a 4D model-based inversion provide an increase in vertical resolution compared to standard seismic amplitude differences. We also present a comparison between results of 4D model-based and colored inversions to evaluate the confidence of inversion anomalies. As this is a benchmark case, this study can be considered to enrich the discussions over qualitative and quantitative time-lapse seismic interpretation and to improve reservoir characterization.
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 | 0,001 | 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 ».