Méthodologies d'Interprétation par Analyse Krigeante des données sismiques 4D réservoir. Applications aux huiles lourdes de Senlac (Canada) et au champ Marlim (Brésil)
Bibliographic record
Abstract
L’objectif de la thèse est de développer une méthodologie permettant d’obtenir une interprétation quantitative des données de sismique répétée (sismique 4D). Une étape essentielle consiste à évaluer la répétitivité des données, puis à filtrer les bruits indésirables, qui peuvent masquer ou détériorer la signature 4D. Une méthodologie basée sur des outils géostatistiques a été développée. Deux fenêtres temporelles des cubes sismiques étudiés sont choisies, l’une au-dessus du réservoir - où aucun effet 4D n’est attendu - et l’autre incluant le réservoir. Une analyse statistique et variographique conduite sur ces différentes fenêtres permet de proposer une décomposition des variogrammes en structures communes ou indépendantes, qui sont ensuite interprétées en termes de bruit, de signature géologique ou 4D. Les structures interprétées comme indépendantes de la géologie ou de la production sont ensuite filtrées à l’aide de la technique du krigeage factoriel proposée par Matheron en 1982. La méthodologie a été testée sur deux cas réels. Le premier concerne un champ d’huiles lourdes canadien, sur lequel trois campagnes sismiques ont été enregistrées, avant et pendant la production obtenue à l’aide d’injection de vapeur. Le bruit interprété comme tel sur les 3 campagnes a été filtré à l’aide la méthode décrite plus haut ; une analyse en termes de faciès sismiques non supervisée a ensuite été conduite sur les données brutes et filtrées afin d’évaluer l’intérêt du filtrage. Finalement, une interprétation des décalages en temps observés entre campagnes a été proposée. Le deuxième cas réel concerne un champ turbiditique profond dans l’offshore du Brésil, sur lequel deux campagnes sismiques 3D ont été acquises, avant et après le début de la production obtenue par injection d’eau. Le bruit présent sur les deux campagnes a été filtré à l’aide de la technique du krigeage factoriel, et la qualité de ce filtrage a pu être évaluée par comparaison avec d’autres techniques couramment utilisées
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".