A Novel 2.5D Deep Network Inversion of Gravity Anomalies to Estimate Basement Topography
Notice bibliographique
Résumé
Summary A novel 2.5D intelligent gravity inversion technique has been developed to estimate basement topography. A deep neural network (DNN) is used to address the fundamental nonuniqueness and nonlinearity flaws of geophysical inversions. The training data set is simulated by adopting a new technique. Using parallel computing algorithms, thousands of forward models of the subsurface with their corresponding gravity anomalies are simulated in a few minutes. Each forward model randomly selects the values of its parameter from a set of predefined ranges based on the geological and structural characteristics of the target area. A DNN model is trained based on the simulated data set to conduct the nonlinear inverse mapping of gravity anomalies to basement topography in offshore Abu Dhabi, United Arab Emirates. The performance of the trained model is assessed by making predictions on noise-free and noise-contaminated gravity data. Eventually, the DNN inversion model is used to estimate the basement topography using pseudogravity anomalies. The results show the depth of the basement is between 7.4 km and 9.3 km over the Ghasha hydrocarbon reservoir. This paper is the 2.5D and improved version of the research (SPE-211800-MS) recently presented and published in the Abu Dhabi International Petroleum Exhibition & Conference (31 October–3 November 2022) proceedings.
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 | 0,000 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».