High-precision seismic imaging for complex deep structures in the hydrocarbon exploration using a coherent-stacking-based least-squares migration
Notice bibliographique
Résumé
ABSTRACT With the rapid development of the petroleum industry, oil and gas exploration gradually changes from conventional shallow and middle-depth reservoirs to deep and ultradeep reservoirs. In western China, especially in the Tarim Basin, the deep Ordovician and ultradeep Cambrian carbonate is the most important hydrocarbon reservoir. But because of complex near-surface conditions and complicated subsurface structures, high-precision seismic imaging for such deep and ultradeep reservoirs is still challenging with the state-of-art migration methods. One of the critical factors is that the reflections from deep and ultradeep strata cannot be coherently stacked in the migration because of accumulative traveltime errors caused by an inaccurate velocity model. To mitigate this issue, we present a coherent-stack-based least-squares migration (LSM) approach to improve the imaging quality for deep and ultradeep structures. Unlike traditional LSM that uses the stacked gradient during iterations, the proposed method updates the reflectivity model in the subsurface half-opening angle domain and then applies a coherent stacking to implement constructive summation for angle-domain common-image gathers. The new LSM scheme enables us to reduce the artifacts caused by an inaccurate velocity model and produces high-quality images for deep and ultradeep strata. Two models with typical steep-dipping faults, overthrust folds, and fault-karst carbonate reservoirs are designed to test the feasibility of the proposed method, and a field data set from a land survey is used to demonstrate its adaptability for low signal-to-noise ratio data.
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 | 0,001 | 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 ».