.png){kind=icon}
返回
Facies-Constrained Kriging Interpolation Method for Parameter Modeling
.png){kind=icon}
OA
AI
DOI：10.3390/rs17010102.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在地震勘探中，建立可靠的参数模型（如速度、密度、阻抗）对地震偏移成像和储层表征至关重要。利用井数据插值以获取完整的空间模型是参数建模的重要方面。然而，在实际应用中，井数据往往稀疏且不规则分布，这使得地下参数模型的精确构建变得复杂。克里金方法是基于离散井数据的有效插值方法，但其理论假设不符合地震勘探的实践需求，导致建模精度较低。本文将地震相信息引入克里金方法，提出了一种新型参数建模方法，命名为相控克里金（FC-Kriging）方法。FC-Kriging方法修改了克里金中使用的欧氏距离度量，使得两点之间的距离不仅取决于它们的空间坐标，还取决于其关联的相类别。该方法是一种多信息融合方法，基于井数据整合相信息，即使井的数量有限也能实现良好的插值结果。基于FC-Kriging方法的参数建模结果更符合地质逻辑，表现出更清晰的边界特征和更高的分辨率。此外，FC-Kriging方法不引入额外的计算复杂性，便于在三维情况下实施。该方法应用于2D Sigsbee模型、3D Standford V储层模型和F3区块实际数据，结果表明其准确性和有效性。
Keyword:
parameter modeling
multi-information fusion
joint modeling
Kriging interpolation
facies-constraints Kriging interpolation
期刊
IF:
4.1
论文数:
7.5K
被引数:
15.1W
机构
暂无机构信息
引用论文
Prediction of reservoir properties by integration of seismic stochastic inversion and coherency attributes in super Giant Ghawar field通过地震随机反演和相干属性集成预测超巨型加瓦尔油气田的储层属性
PREAI
分享收藏分享收藏Physics-guided deep learning for seismic inversion with hybrid training and uncertainty analysis.png)
GEOPHYSICS
GEOPHYSICSIF3.2
PREAI
分享收藏Unsupervised seismic facies classification: A review and comparison of techniques and implementation
PREAI
分享收藏Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations物理信息神经网络: 一种用于解决涉及非线性偏微分方程的正反问题的深度学习框架
OAAI
OAAI分享收藏Application of Image-guided Interpolation to Build Low Frequency Background Model Prior to InversionProceedings
ProceedingsIF0
PREAI
分享收藏Wavefield Solutions from Machine Learned Functions that Approximately Satisfy the Wave Equation
PREAI
分享收藏
查看更多内容