Nonlinear inversion of seismic amplitude variation with offset for an effective stress parameter
Notice bibliographique
Résumé
Effective stress estimates play important roles in reservoir characterization, for instance, in guiding the selection of fracturing areas in unconventional reservoirs. Based on Gassmann’s fluid substitution model, we have set up a workflow for nonlinear inversion of seismic data for dry rock moduli, fluid factors, and a stress-sensitive parameter. We first make an approximation within the fluid substitution equation, replacing the porosity term with a stress-sensitive parameter. We then derive a linearized reflection coefficient as a function of a stress-parameter reflectivity and reexpress it in terms of elastic impedance (EI). An amplitude-variation-with-offset (AVO) inversion workflow is set up, in which the seismic data are transformed to EI, after stacking within five incidence angle ranges; these are then inverted to determine the stress-sensitive parameter. The two-step process involves two inversions with significantly different properties. The first is a model-based least-squares inversion to estimate EI; the second is a more complex nonlinear inversion of the EI for a set of unknowns including the stress-sensitive parameter. Motivated by an interest in hybridizing AVO and full-waveform inversion (FWI), we set the latter step up to resemble some features of a published AVO-FWI formulation. The approach is subjected to synthetic validation, which permits us to analyze the response and test the stability of the workflow. We finally apply the workflow to real data acquired over a gas-bearing reservoir, which reveals that the approach generates potential indicators of fluid presence and stress prediction.
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) | 0,000 | 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 ».