MétaCan
Menu
Retour à la cohorte
Enregistrement W4391463020 · doi:10.1093/gji/ggae036

Diving-wave time-lapse delay for CO2 thin layer detection

2024· article· en· W4391463020 sur OpenAlexfundno aff
Ricardo Martinez, Vetle Vinje, Alexey Stovas, J. Mispel, Philip Ringrose, Kenneth Duffaut, Martin Landrø

Notice bibliographique

RevueGeophysical Journal International · 2024
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueSeismic Imaging and Inversion Techniques
Établissements canadiensnon disponible
Organismes subventionnairesEquinorAker BPCanadian Geological Foundation
Mots-clésGeologyLayer (electronics)SeismologyGeophysicsGeodesyMaterials science

Résumé

récupéré en direct d'OpenAlex

SUMMARY We have derived an analytical approximate expression to estimate the delay in diving seismic waves due to thin layers of CO2. The expression is valid for high frequencies and can be used to estimate the delay in diving waves at seismic frequencies for large separations between the source and receiver (offset). The approximation may be used to assess CO2 detection limits using diving waves and to support survey planning for CO2 monitoring and full-waveform inversion (FWI) cycle skipping analysis. In this study, we analyse the diving-wave response to a thin layer of CO2 for band-limited data using acoustic finite-difference modelling, and compare the results against the analytical calculations. We find that the responses are offset-dependent and related to double- and single-leg interactions between the diving waves and the CO2. To test the methods, we created a synthetic representation of the 2010 subsurface conditions for the top CO2 layer at the Sleipner storage complex in the North Sea, by combining base and monitor post-stack seismic data with field velocity trends. Using the acoustic finite-difference method, we model pre-stack data that captures the complexity of field data and demonstrate the use of the diving-wave delay for CO2 migration monitoring and CO2 thin layer detection.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,784
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,017
Tête enseignante GPT0,243
Écart entre enseignants0,226 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeAutre devis
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations6
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueGeophysical Journal InternationalMême sujetSeismic Imaging and Inversion TechniquesTravaux en français237 207