A deep-learning framework with seismic-frequency-band constraints for thin-reservoir characterization
Notice bibliographique
Résumé
ABSTRACT The characterization of the spatial structures of thin-layer sand bodies is the foundation for detailed reservoir description and physical property estimation. This requires using the geophysical inversion technique to make full use of the subsurface sedimentation information found in well-logging and seismic data for comprehensive evaluation. However, the traditional model-based inversion method is limited by the frequency bandwidth of seismic data, and the resolution of the inversion results cannot meet the accuracy requirements of thin-layer reservoir characterization. In this paper, we introduce a convolutional model and seismic-frequency-band constraints into a deep-learning framework to create a high-resolution inversion framework under physical constraints and then test our technical scheme in the model and on field data. We construct a 3D thin-layer sand body model with specific geologic implications and carry out inversion tests based on sparse spike inversion, geostatistical inversion, and a deep-learning framework. The experimental results demonstrate the feasibility of the deep-learning framework and reveal its limitations in characterizing the spatial distribution of sand bodies. After introducing the convolutional model and seismic-frequency-band constraints, the inversion results more clearly distinguish the spatial distribution and superposition relationships of different sand bodies. The results obtained based on the field data fully confirm the effectiveness and applicability of our method.
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 ».