Unsupervised contrastive learning for seismic facies characterization
Notice bibliographique
Résumé
ABSTRACT Seismic facies characterization plays a key role in hydrocarbon exploration and development. The existing unsupervised methods are mostly waveform-based and involve multiple steps. We have developed a method to leverage unsupervised contrastive learning to automatically analyze seismic facies. To obtain a stable result, we use 3D seismic cubes instead of seismic traces or their variants as inputs of networks to improve lateral consistency. In addition, we treat seismic attributes as geologic constraints and feed them into the network along with the seismic cubes. These different seismic and multiattribute cubes from the same position are regarded as positive pairs and the cubes from a different position are treated as negative pairs. A contrastive learning framework is used to maximize the similarities of positive pairs and minimize the similarities of negative pairs. In this way, we can enforce the samples with similar features to get close while pushing the samples with different features to be separated in the space where we make the seismic facies clustering. This contrastive learning framework is a one-stage, end-to-end, and unsupervised fashion without any manual labels. We have determined the effectiveness of this method by using it to a turbidite channel system in the Canterbury Basin, offshore New Zealand. The obtained facies map is continuous, resulting in a stable and reliable classification.
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 ».