Multidimensional Petrophysical Seismic Inversion Based on Knowledge-Driven Semi-Supervised Deep Learning
Notice bibliographique
Résumé
Petrophysical seismic inversion is a challenging problem due to its intrinsic nonlinearity and ill-posedness. Deep learning emerges as a promising solution to tackle this intricate problem, with semi-supervised learning proving particularly valuable in scenarios with limited labeled data. However, many existing semi-supervised learning approaches applied to reservoir parameters inversion are unidimensional or focus on single model parameters, potentially hindering the attainment of highly accurate predictions for multiple petrophysical parameters. To this end, we introduce a novel knowledge-driven semi-supervised deep learning approach for multidimensional petrophysical seismic inversion. This framework features a lightweight 2-D UNet, incorporating prior knowledge about the range of model parameters, to parameterize the set of pseudo-inverse operators, enabling effective multitask learning. By leveraging the low-frequency porosity as the sole initial model input, our approach enhances the information-sharing capabilities of the neural network. We also introduce Hermite cubic splines to parameterize source wavelets varying with angles, ensuring smooth and compactly supported waveforms. In addition, we develop a semi-supervised training loss function that integrates deterministic forward operators and sampling operators, allowing simultaneous updating of weights in both forward and pseudo-inverse operators. The proposed method facilitates the simultaneous inversion of wavelets, porosity, water saturation, and clay volume. Synthetic and field data tests are conducted to validate our approach, demonstrating that it significantly enhances inversion accuracy compared to 1-D semi-supervised deep learning methods.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».