Notice bibliographique
Résumé
Abstract Two common rock-physics templates that are used to identify the geologic facies and fluid trends derived from well log or prestack inverted seismic data involve crossplotting the VP/VS ratio against acoustic impedance, IP (the product of P-wave velocity VP and density ρ) and μρ against λρ, wherein λ and μ are the Lamé coefficients extracted from the P- and S-wave velocity, called the LambdaMuRho (LMR) method. Using well-log examples from an Alberta gas well and a deeper North Sea oil well, we show how to superimpose the constant μρ and λρ curves on a VP/VS versus IP crossplot, which produce the orthogonal trends of stiffness or porosity (from μρ) and fluid saturation (from λρ) that match the data trends reasonably well. We then consider the related technique of KMuRho (KMR), wherein K represents the bulk modulus and show how to superimpose the constant Kρ trends on a VP/VS versus IP crossplot. Again, we obtain the orthogonal trends of stiffness or porosity (from μρ) and fluid saturation (from Kρ), but the fit to our real data examples is less accurate than with LMR. Using the Biot-Gassmann poroelasticity theory, we generalize the LMR and KMR approaches into a technique we call FluidMuRho (FMR). In the FMR techniques, we introduce two new fitting parameters, f and d, wherein f is a fluid term derived from the Biot-Gassmann theory, and d is the dry rock VP/VS ratio squared. When we superimpose the fluid trends from the FMR technique on our two well-log data sets and adjust the f and d parameters, we achieve accurate fits to the data sets. Finally, we apply the FMR technique to a seismic case study from the Gulf of Mexico. In an appendix, we compare the FMR technique to the empirical curved pseudo-elastic impedance and pseudo-elastic impedance for lithology 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 | 0,000 |
| 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 ».