A new methodology using seismic data to differentiate shallow-water carbonate deposits from similar, noncarbonate structures
Notice bibliographique
Résumé
ABSTRACT We present here a new methodology for helping to recognize shallow-water carbonate deposits in seismic data, implementing a quantitative tool, developed in a spreadsheet format, or table, that allows us to score shallow-water carbonate deposits against six specific types of similar, noncarbonate structures. We can score 15 parameters for each structure type. The table contains a description for each combination of structure type and parameter. The final result helps to distinguish noncarbonate structures from shallow-water carbonate deposits. Noncarbonate structures include arc volcanoes, other kinds of volcanoes, mobilized salt, shale, and mud structures, compressional tectonic features, basement highs, and erosional remnants. We have grouped diagnostic parameters in four categories, which include morphology, regional scale parameters, seismic response, and growth patterns. Testing, performed on 214 internal, multiclient, and published images from different ages and locations, has shown a positive match in 90% of the cases, 6% as negative matches, and 4% as uncertain results. The addition of new assessment criteria to previously published indicators, the strategy of scoring noncarbonate structures along with shallow-water carbonate deposits, and the attempt of building this methodology for the use of nonspecialist geoscientists are the main elements of novelty with respect to previous assessment techniques.
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 | 0,001 | 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 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 ».