Batch automated image processing of 2D seismic data for salt discrimination and basin-wide mapping
Notice bibliographique
Résumé
ABSTRACT We have explored the technical utility of analyzing massive sets of digital 2D seismic data, collected and processed in dozens of different surveys, conducted more than 25 years ago, using batch, automated and unsupervised pattern recognition techniques to produce a basin-wide map of the top of salt. This workflow was developed for the United States portion of the Gulf of Mexico to detect top-salt boundaries on 2D poststack migrated lines. Texture-based attributes as well as novel, reflector-based attributes were used to discriminate between salt and nonsalt on each seismic line. Explicit measures of accuracy were not calculated because the data are unlabeled, but an assessment of confidence was used to score the boundaries. The depth to the top of the salt was estimated for more than 67% of the study area (278,000 km2 or 107,000 mi2), 17% of the study area had insufficient data for processing and analysis, and 16% of the area did not meet confidence requirements for inclusion. The final results compared well with published maps of salt and the locations of salt-trapped fields. Reliable mapping of salt deeper than 6 s two-way time could not be achieved with this data set and approach because many seismic images had indistinguishable features at this depth. The computing time was greater than linear in the number of lines, but parallelization and changes in hardware configuration could reduce the run time of about three weeks to about three days.
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 | 0,001 |
| 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 ».