The Value of Seismic Data in Conventional and Unconventional Fields
Notice bibliographique
Résumé
Abstract The paper illustrates the value of seismic data in different environments after assessing the benefits and costs of processes such as seismic acquisition, seismic processing and seismic interpretation. Global examples from conventional and unconventional fields are discussed to show how seismic data plays a significant role in determining low-risk and high-reward wells and also eliminating the high-risk and low-reward wells. This paper shows an example of a conventional field in the state of Kansas, USA, where the net present value (NPV) increased by more than 17 times when 3D seismic data was acquired, while in an unconventional field the commercial success rate rose from 30% to 70% due to 3D seismic acquisition. However, two offshore fields in the Republic of Trinidad and Tobago are discussed to show that the NPV as impacted by advanced seismic processing was more than 111 ($M). Another example comes from Viking Field, a conventional field in Canada, where the NPV was increased from 3800 ($M) to 5000 ($M) when the seismic data was re-processed. Furthermore, the value of investing in seismic data was investigated and quantified by comparing two synthetically modeled scenarios in Saudi Arabia. Overall, the four examples from North America, Central America and Saudi Arabia illustrate that investment in seismic data has a positive impact on both conventional and unconventional fields. That provides strong evidence to encourage more investments in geophysical technologies.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».