Visualizing hydrocarbon migration pathways associated with the Ringhorne oil field, Norway: An integrated approach
Notice bibliographique
Résumé
Abstract Norway’s Ringhorne Field is a faulted anticline, which produces oil from Triassic (Statfjord) and Paleocene (Hermod) sands. It is located on the Utsira High. Geochemical studies of the produced oil indicate that the oil is generated from mature Upper Jurassic marine shales in the adjacent Viking Graben. However, it is not clear how oil migrated into the Triassic reservoirs and charged the overlying Paleocene reservoirs. Lateral hydrocarbon migration is not detectable on seismic data. However, vertical hydrocarbon migration can be observed as a vertically aligned, low-amplitude, chaotic signature on normally processed seismic data. Gas-chimney detection is a proven neural network technique to detect these vertical hydrocarbon migration pathways. The processing results are then validated using a set of criteria to determine if they represented true hydrocarbon migration rather than seismic artifacts. The chimney processing results using this traditional (shallow) neural network are compared with convolutional neural network (deep learning) results and geomechanical modeling on key lines. Key reservoirs are delineated using a deterministic simultaneous seismic inversion approach. Reliable chimneys are then visualized in the vicinity of the producing reservoirs. The results indicate pathways by which the Triassic fluvial sands received the charge and how these reservoirs have flank leakage to provide the charge to shallower Paleocene reservoirs. This approach is currently being used over hundreds of fields and dry holes in the Norwegian North Sea and worldwide as analogs to assess the hydrocarbon charge and top seal risk predrill.
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 ».