Estimation of rock physics properties via full waveform inversion of vertical seismic profile data recorded by accelerometer and fibre-optic sensors
Notice bibliographique
Résumé
Combining elastic full waveform inversion (FWI) with rock physics holds promise for expanding the application of FWI beyond seismic imaging to predicting and monitoring reservoir properties. Distributed acoustic sensing (DAS), a rapidly developing seismic acquisition technology, is being explored for its potential in supporting FWI applications. In this study, we implement a sequential inversion scheme that integrates elastic FWI and Bayesian rock physics inversion, using a vertical seismic profile (VSP) data set acquired with accelerometer and collocated DAS fibre at the Carbon Management Canada's Newell County Facility. Our aim is to establish a baseline model of porosity and lithology parameters to support later monitoring of CO2 storage. Key strategies include an effective source approach for addressing near-surface complications, a modelling strategy to simulate DAS data comparable to field data, and a Gaussian mixture approach to capture the bimodality of rock properties. We conduct FWI tests on accelerometer, DAS, and combined accelerometer-DAS data. While our inversion results accurately reproduce either data set, the elastic models inverted from accelerometer data outperform the other two in matching well logs and identifying the target reservoir. We attribute this outcome to the limited complementarity of DAS data with accelerometer data in our experiment, along with the limitations imposed by single-component measurements on DAS. The porosity and lithology models predicted from accelerometer-derived elastic models are reasonably accurate at the well location and exhibit geologically meaningful spatial distribution.
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 | 0,001 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».