Joint Inversion of Gravity and Magnetic Anomalies to Image Salt–Basement Structures Offshore Abu Dhabi, UAE, Using Deep Neural Networks
Notice bibliographique
Résumé
Summary By using a deep neural network (DNN), a novel technique is developed for a 2.5D joint inversion of gravity and magnetic anomalies to model subsurface salts and basement structures. The joint application of gravity and magnetic anomalies addresses the inherent nonuniqueness problem of geophysical inversions. Moreover, DNN is used to conduct the nonlinear inverse mapping of gravity and magnetic anomalies to depth-to-salt and depth-to-basement. To create the training data set, a three-layer forward model of the subsurface is designed indicating sediments, salts, and the basement. The length and height of the model are determined based on the dimensions of the target area to be investigated. Several random parameters are set to create different representations of the forward model by altering the depth and shape of the layers. Given the topography of the salts and basement layers as well as their predefined density and susceptibility values, the gravity and magnetic anomalies of the forward models are calculated. Using multiprocessing algorithms, thousands of training examples are simulated comprising gravity and magnetic anomalies as input features and depth-to-salt and depth-to-basement as labels. The application of the proposed technique is evaluated to interpret the salt–basement structures over hydrocarbon reservoirs in offshore United Arab Emirates (UAE). Correspondingly, a DNN model is trained using the simulated data set of the target region and is assessed by making predictions on the random actual and noise-added synthetic data. Finally, gravity-magnetic anomalies are fed into the DNN inverse model to estimate the salts and basement structures over three profiles. The results proved the capability of our technique in modeling the subsurface structures.
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 ».