MétaCan
Menu
Retour à la cohorte
Enregistrement W3160801155 · doi:10.1190/int-2020-0241.1

Reservoir characterization over the Lille Prinsen and Ivar Aasen fields in the Norwegian North Sea using ocean-bottom-node seismic data — A case study

2021· article· en· W3160801155 sur OpenAlexaff
Satinder Chopra, Ritesh Kumar Sharma, Mikal Trulsvik, Adriana Citlali Ramírez, David Went, B. Kjølhamar

Notice bibliographique

RevueInterpretation · 2021
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueSeismic Imaging and Inversion Techniques
Établissements canadiensARC Resources (Canada)BP (Canada)Petro-Canada
Organismes subventionnairesnon disponible
Mots-clésPetrophysicsGeologySeismic inversionReservoir modelingFaciesPrestackSeismologyFormation evaluationInversion (geology)NorwegianWorkflowOil shaleLithologyPetroleum engineeringPetrologyPaleontologyPorosityGeotechnical engineeringComputer science

Résumé

récupéré en direct d'OpenAlex

Abstract We have developed an integrated workflow for estimating elastic parameters within the Late Triassic Skagerrak Formation, the Middle Jurassic Sleipner and Hugin Formations, the Paleocene Heimdal Formation, and the Eocene Grid Formation in the Utsira High area of the Norwegian North Sea. Our workflow begins with petrophysical analysis carried out at the available wells. Then, model-based prestack simultaneous impedance inversion outputs were derived, and attempts were made to estimate the petrophysical parameters (the volume of shale, porosity, and water saturation) from seismic data using extended elastic impedance. On not obtaining convincing results, we switched over to multiattribute regression analysis for estimating them, which yielded encouraging results. Finally, the Bayesian classification approach was used for defining different facies in the intervals of interest.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,736
Score d'incertitude au seuil0,995

Scores Codex et Gemma par catégorie

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

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 Opus0,034
Tête enseignante GPT0,276
Écart entre enseignants0,242 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
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

Citations1
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInterpretationMême sujetSeismic Imaging and Inversion TechniquesTravaux en français237 207