Weighted-average time-lapse seismic full-waveform inversion
Notice bibliographique
Résumé
ABSTRACT As seismic data can contain information over a large spatial area and are sensitive to changes in the properties of the subsurface, seismic imaging has become the standard geophysical monitoring method for many applications such as carbon capture and storage and reservoir monitoring. The availability of practical tools such as full-waveform inversion (FWI) makes time-lapse seismic FWI a promising method for monitoring subsurface changes. However, FWI is a highly ill-posed problem that can generate artifacts. Because the changes in the earth’s properties are typically small in terms of magnitude and spatial extent, discriminating the true time-lapse signature from noise can be challenging. Different strategies have been proposed to address these difficulties. In this study, we propose a weighted-average (WA) inversion to better control the effects of artifacts and differentiate them from the true 4D changes. We further compare five related strategies with synthetic tests on clean and noisy data. The effects of seawater velocity variation on different strategies also are studied as one of the main sources of nonrepeatability. We tested different strategies of time-lapse FWI (TL-FWI) using the Marmousi and the SEG Advanced Modeling time-lapse models. The results indicate that the WA method can provide the best compromise between accuracy and computation time. This method also provides a range of possible answers of other TL-FWI strategies.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».