Time-lapse seismic imaging using shot gathers with nonrepeatable source wavelets
Notice bibliographique
Résumé
ABSTRACT In time-lapse seismic applications, the signal produced by changes in the properties of subsurface rocks is generally obscured by noise associated with imperfect repeatability between surveys. A particularly important obstacle in the formation of time-lapse difference images is variation in the effective source wavelet between baseline and monitoring data sets. However, the partially separable influence of the wavelet within Green’s function model of seismic data permits two frequency-domain matching filters to be designed, which act to reduce source wavelet nonrepeatability. One is based on the spectral ratio of the baseline and monitoring wavelets and can be applied when prior estimates of the wavelets are available; the other is the average spectral ratio of the baseline and monitoring traces and can be applied when prior estimates are unavailable. After balancing the data sets with either of these filters, we further prepare for the imaging step with time-shift corrections, using a published fast local crosscorrelations algorithm, preparing the difference data for use in an imaging algorithm. Reverse time migration is engaged for the imaging task, but we observe that residual repeatability errors tend to be magnified at this stage when source-normalized crosscorrelation imaging conditions are used. Testing indicates that replacing this with a Poynting vector imaging condition strongly suppresses remaining errors in a robust manner. This includes stability within simulated data environments to noise-free data and data with random noise, up to signal-to-noise ratios of roughly one. Furthermore, our method illustrates better performance when compared with the conventional least-squares matching filter and common-depth-point-domain warping. At present, there is no common workflow for seismic imaging directly using time-lapse shot gathers. Our research contribution lies not only in the two matching filters but also in a novel workflow for time-lapse seismic imaging.
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 | 0,001 | 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) | 0,002 | 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 ».