Characterising sand channel from seismic data using linear programming (l1-norm) sparse spike inversion technique: a case study from offshore, 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
In this study, a linear programming (l1-norm) sparse spike inversion (LPSSI) technique is used to estimate acoustic impedance distribution in the subsurface of the Blackfoot Field, Alberta, Canada. The aim of study is to determine high-resolution subsurface rock properties from the low-resolution seismic data and characterise the clastic Glauconitic channel. There are many traditional post-stack seismic inversion techniques available to estimate rock properties from seismic data, but LPSSI is a relatively simple and quick to compute subsurface model that can be used for qualitative as well as quantitative interpretation. The technique is applied in two steps; first, composite traces near to well locations are extracted and inverted for acoustic impedance, and comparison with well log impedance is used to optimise the LPSSI parameters. Analysis of the composite traces indicates that the algorithm has good performance with high correlation (0.97). In the second step, LPSSI is applied to the Blackfoot seismic data to estimate the distribution of acoustic impedance in the subsurface. Analysis of inverted acoustic impedance shows a low impedance anomaly ranging from 6500 to 8500 m/s*g/cc at the 1060–1075 ms time interval, which is characterised as a clastic Glauconitic sand channel. Thereafter, to confirm the sand channel, another important rock property, porosity, is estimated in the inter-well region using multi-attribute analysis. Analysis of the porosity shows the presence of a high porosity (15–22%) zone in the 1060–1075 ms time interval which coincides with the low impedance zone and confirms the presence of the sand channel.
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 | 0,000 | 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 | 0,002 |
| 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 découle