Low‐Frequency Extrapolation by Deep‐Learning for Cross‐Well Full‐Waveform Inversion – Case Study From the Aquistore CO2$\rm CO_{2}$ Storage Site
Notice bibliographique
Résumé
ABSTRACT Full‐waveform inversion (FWI) of seismic data is a powerful method for estimating high‐resolution models of the subsurface. An accurate initial model and low‐frequency data are necessary to avoid cycle skipping and perform a successful FWI. In the absence of this information, FWI is likely to fail due to convergence in local misfit minima. With the recent advancements in artificial intelligence, studies have shown that absent low‐frequency data can be extrapolated using deep learning (DL). These studies have been mostly focused on surface seismic data whose frequency content is different from cross‐well data. In this study, we assess the use of DL for low‐frequency extrapolation for a cross‐well survey that was done at the Aquistore storage site in Saskatchewan. This assessment includes both numerical and field data examples. We extrapolate the low frequencies to increase the bandwidth of the acquired data at the Aquistore site and perform FWI. We evaluate the efficiency of this method by comparing the results with obtained velocity models from the conventional multiscale FWI. Our results for the Aquistore data show that the proposed strategy leads to an accuracy improvement of 39% and 20% in the model and data domains, respectively.
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 | 0,001 | 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 ».