Time-lapse acoustic impedance variations during CO2 injection in Weyburn oilfield, Canada
Notice bibliographique
Résumé
ABSTRACT For seismic monitoring injected fluids during enhanced oil recovery or geologic CO2 sequestration, it is useful to measure time-lapse (TL) variations of acoustic impedance (AI). AI gives direct connections to the mechanical and fluid-related properties of the reservoir or CO2 storage site; however, evaluation of its subtle TL variations is complicated by the low-frequency and scaling uncertainties of this attribute. We have developed three enhancements of TL AI analysis to resolve these issues. First, following waveform calibration (cross-equalization) of the monitor seismic data sets to the baseline one, the reflectivity difference was evaluated from the attributes measured during the calibration. Second, a robust approach to AI inversion was applied to the baseline data set, based on calibration of the records by using the well-log data and spatially variant stacking and interval velocities derived during seismic data processing. This inversion method is straightforward and does not require subjective selections of parameterization and regularization schemes. Unlike joint or statistical inverse approaches, this method does not require prior models and produces accurate fitting of the observed reflectivity. Third, the TL AI difference is obtained directly from the baseline AI and reflectivity difference but without the uncertainty-prone subtraction of AI volumes from different seismic vintages. The above approaches are applied to TL data sets from the Weyburn CO2 sequestration project in southern Saskatchewan, Canada. High-quality baseline and TL AI-difference volumes are obtained. TL variations within the reservoir zone are observed in the calibration time-shift, reflectivity-difference, and AI-difference images, which are interpreted as being related to the CO2 injection.
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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».