MétaCan
Menu
Retour à la cohorte
Enregistrement W3128187331 · doi:10.1190/geo2020-0199.1

Direct updating of rock-physics properties using elastic full-waveform inversion

2021· article· en· W3128187331 sur OpenAlexafffund
Qi Hu, Scott Keating, K. A. Innanen, Huaizhen Chen

Notice bibliographique

RevueGeophysics · 2021
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueSeismic Imaging and Inversion Techniques
Établissements canadiensUniversity of Calgary
Organismes subventionnairesCanadian Network for Research and Innovation in Machining Technology, Natural Sciences and Engineering Research Council of Canada
Mots-clésInversion (geology)AmplitudeIsotropySeismic inversionReservoir modelingGeologySynthetic dataInverse problemAlgorithmGeophysicsComputational physicsPhysicsStatistical physicsMathematicsMathematical analysisGeometryOpticsGeotechnical engineeringSeismology

Résumé

récupéré en direct d'OpenAlex

ABSTRACT Quantitative estimation of rock-physics properties is an important part of reservoir characterization. Most current seismic workflows in this field are based on amplitude variation with offset. Building on recent work on high-resolution multiparameter inversion for reservoir characterization, we have constructed a rock-physics parameterized elastic full-waveform inversion (EFWI) scheme. Within a suitably formed multiparameter EFWI, in this case a 2D frequency-domain isotropic-elastic full-waveform inversion with a truncated Gauss-Newton optimization, any rock-physics model with a well-defined mapping between its parameters and seismic velocity/density can be examined. We select a three-parameter porosity, clay content, and water saturation (PCS) parameterization, and we link them to elastic properties using three representative rock-physics models: the Han empirical model, the Voigt-Reuss-Hill boundary model, and the Kuster and Toksöz inclusion model. Numerical examples suggest that conditioning issues, which make a sequential inversion (in which velocities and density are first determined through EFWI, followed by PCS parameters) unstable, are avoided in this direct approach. Significant variability in inversion fidelity is visible from one rock-physics model to another. However, the response of the inversion to the range of possible numerical optimization and frequency selections, as well as acquisition geometries, varies widely. Water saturation tends to be the most difficult property to recover in all situations examined. This can be explained with radiation pattern analysis, in which very low relative scattering amplitudes from saturation perturbations are observed. An investigation performed with a Bayesian approach illustrates that the introduction of prior information may increase the inversion sensitivity to water saturation.

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)0,002
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: aucune
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,007

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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 GPT0,205
Écart entre enseignants0,179 · 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

Citations21
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueGeophysicsMême sujetSeismic Imaging and Inversion TechniquesTravaux en français237 207