3-D seismic-based lithology prediction using impedance inversion and neural networks application: case-study from the Mannville Group in East-Central Alberta, Canada
Bibliographic record
Abstract
La Formation Mannville (Crétacé Inférieur) du Centre Est de l'Alberta est l'un des principaux objectifs concernant l'exploration des hydrocarbures, typiquement associés à un contrôle stratigraphique. Les environnements de dépôts sont variés, allant du domaine fluvio-continental au domaine marin. Les dépôts de la Formation Mannville reposent sur une discordance stratigraphique majeure qui les sépare des dépôts carbonatés du Paléozoïque (Devonien). Nous avons cherché à intégrer des données de puits pour reconstituer l'architecture stratigraphique dans la zone d'étude. L'inversion sismique à été appliquée aux données existantes, et s'est trouvée être un excellent outil pour cartographier les discordances, faisant clairement la distinction entre les dépôts silico-clastiques des dépôts carbonatés en dessous. Les résultats de l'inversion ont ensuite été utilisés comme faisant partie des attributs sismiques appliqués au jeu de données dans le but de rechercher si la distribution des sédiments silici-clastiques dans la zone d'étude peut être distinguée d'un point de vu sismique. A travers une analyse de régression point par point, une combinaison de six attributs à fourni le meilleur jeu capable de prédire l'information lithologique dans les données sismiques dérivées des données de puits (Gamma-Ray). Ce résultat a été transféré dans un réseau de neurones, qui utilise cette relation pour s'entraîner à prédire la réponse du Gamma-Ray au delà des points de contrôle dans le volume sismique. Cela conduit à la génération d'un volume informé en pseudo-lithologie capable d'estimer la distribution de la lithologie à l'intérieur de le Formation Mannville sur l'ensemble de l'étude 3-D. Ce nouveau volume est capable de mettre en évidence les caractéristiques stratigraphiques invisibles avec l'amplitude sismique et dans les volumes d'inversion. Ce
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 machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 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 source (direct Gemma or distilled Codex), 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".