Seismic characterization with unsupervised machine learning applications for facies classification
Notice bibliographique
Résumé
Abstract Machine learning (ML) techniques hold significant promise in identifying and delineating heterogeneous 3D seismic facies because they allow us to integrate the information content from multiple seismic attribute volumes. ML methods can be broadly categorized into four types: unsupervised learning, which uses the seismic attributes themselves as the training data and the data to be analyzed; supervised learning, which relies on labeled data — classified using well control, production data, or expert interpretation — for training; hybrid learning, which combines aspects of supervised and unsupervised approaches; and deep learning, which uses neural networks trained on large, labeled datasets to extract complex patterns from seismic data. However, great care must be taken not only in selecting but also in properly scaling the attributes to be used. Sometimes, these exercises are carried out mechanically, leading to compromised interpretations and discouraging results. In this study, we examined two well-established unsupervised ML techniques: principal component analysis and self-organizing mapping, applied to a seismic data volume from New Zealand. We found that these ML methods can enhance spatial resolution and, therefore, assist in seismic interpretation. However, it is crucial for the interpreter to ensure that the appropriate ML method is chosen, the assumptions underlying the applied techniques are met, and any available options, such as weighting of input attributes, are considered and used effectively.
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 ».