Estimating reservoir zone from seismic reflection data using maximum-likelihood sparse spike inversion technique: a case study from the Blackfoot field (Alberta, Canada)
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Seismic inversion involves extracting qualitative as well as quantitative information from seismic reflection data that can be analyzed to enhance geological and geophysical interpretation which is more subtle in a traditional seismic data interpretation. Among many approaches that have been made to improve interpretation of post-stack seismic data, a great effort has been made to use maximum likelihood (ML), sparse spike inversion (SSI) along with multi-attribute analysis (MAA) aimed to increase the resolution power of interpreting seismic reflection data and mapping into the subsurface lithology. These methods are applied to the Blackfoot seismic reflection data to estimate reservoir. The methods were first applied to the composite trace close to well locations and were inverted for acoustic impedance (AI). The results depict that the inverted AI matches very well with the well log AI. The statistical analysis demonstrates good performance of the algorithm. Thereafter, the entire seismic section was inverted to acoustic impedance section. The analysis of the inverted impedance section shows an anomaly zone in between 1060 and 1075 ms time and characterize it as reservoir. Further, the multi-attribute analysis is performed to estimate porosity and density in the inter-well region. The inverted porosity section shows a high porosity anomaly and a low density anomaly in between 1060 and 1075 ms time intervals which corroborated well with the low impedance zone and confirm the presence of a reservoir.
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.
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 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle