MétaCan
Menu
← Retour à la cohorte
Enregistrement W2967243551 · doi:10.1190/segam2019-3212559.1

Estimating indicators of oil-bearing fractured reservoirs from frequency components of azimuthal seismic data

2019· article· en· W2967243551 sur OpenAlexaff
Huaizhen Chen, K. A. Innanen

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueSeismic Imaging and Inversion Techniques
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésAzimuthBearing (navigation)GeologyPetroleum engineeringSeismologyComputer science

Résumé

récupéré en direct d'OpenAlex

Based on a model of attenuative cracked rock, we derive a simplified and frequency-dependent stiffness matrix, and we present a new indicator of oil-bearing fractured reservoirs, which is related to pressure relaxation in cracked rocks and influenced by fluids. We set up a linearized P-wave to Pwave reflection coefficient as an azimuthally- and frequency dependent function of dry rock elastic properties, dry fracture weaknesses, and the new indicator. By varying this reflection coefficient with azimuthal angle, we derive a further expression referred to as the quasi-difference in elastic impedance, or QdEI, which is primarily affected by the dry fracture weaknesses and the new indicator. An inversion approach can be set up based on the QdEI which through differences in seismic amplitudes with frequency produces estimates of these weaknesses and the indicator. In synthetic inversion tests, we conclude the approach produces interpretable parameter estimates in the presence of data with a moderate signal-to-noise ratios (SNR). Testing on a real data set reveals that the dry fracture weakness estimates are reliable fracture predictors, and we conclude further that the estimated indicator provides an important discrimination tool for fluids in cracks. Presentation Date: Monday, September 16, 2019 Session Start Time: 1:50 PM Presentation Time: 3:30 PM Location: 217D Presentation Type: Oral

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,026
Tête enseignante GPT0,246
Écart entre enseignants0,220 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetSeismic Imaging and Inversion Techniques→Travaux en français237 207→