Seismic 3D full-horizon tracking based on a knowledge graph to represent the stratigraphic sequence relationship
Notice bibliographique
Résumé
ABSTRACT Seismic 3D full-horizon tracking is a fundamental and crucial step in sequence analysis and reservoir modeling. Existing automatic full-horizon tracking approaches lack effective methods for representing the stratigraphic sequence relationships in seismic data. However, the inability to represent the stratigraphic sequence relationships fully and accurately makes it challenging to address discontinuous areas affected by faults and unconformities. To address this issue, we develop a knowledge graph representing the stratigraphic sequence relationship, which enables the simultaneous extraction of all horizon surfaces once the stratigraphic distribution of the seismic data is obtained. This method first generates horizon patches and calculates the fault attributes, followed by the construction of an initial knowledge graph that characterizes the overall distribution of horizon patches and faults. The initial knowledge graph comprises nodes and edges. The nodes represent horizon patches, and their attributes cover the geographical location information of the patches and faults. Simultaneously, the edges represent the relationship between the horizon patches, including the stratigraphic sequence relationship, and their attributes illustrate the potential for connecting these patches. Furthermore, we introduce a multilayer knowledge graph based on the point-set topology to fuse the nodes. This allows for the continuous merging of the horizon patches to obtain horizon surfaces across discontinuities with the constraints of fault attributes and stratigraphic sequence relationships in 3D space. Synthetic and field examples demonstrate that our approach can effectively represent stratigraphic sequence relationships and accurately track horizons located in discontinuous areas with faults and unconformities.
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 | 0,001 |
| 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 | 0,001 |
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 ».