Enhancing 3D post‐stack seismic data acquired in hardrock environment using 2D curvelet transform
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
ABSTRACT Seismic data acquired in hardrock environment pose a special challenge for processing. Frequent lack of clear coherent events hinders imaging and interpretation. Additional difficulty arises from the presence of significant amount of cultural noise associated with production and processing of ore, which often remains in the processed, stacked data. Motivated by those challenges, we developed an efficient workflow of denoising 3D post‐stack seismic data by using 2D discrete curvelet transform aimed at improving signal‐to‐noise ratio of the data. Our approach is based on the adjustment of the thresholds according to scales and angles in the curvelet domain, making parameterization flexible. We demonstrate effectiveness of our method using 3D post‐stack volumes from the three different mining camps in Canada, which were characterized by variable data quality. Remarkable signal enhancement, confirmed by the improvements in the mean signal‐to‐noise ratio of the dataset, is obtained not only due to random energy attenuation but also by removal of certain features corrupting the data (e.g., acquisition footprint). Comparison with the F‐X/F‐XY deconvolution results shows the superiority of our algorithm in respect to signal enhancement, signal preservation, and amount of the removed noise. Imaged structures, even if initially dominated by random energy, are easier to follow after curvelet denoising and enhanced for interpretation. Therefore, our approach can significantly reduce interpretation uncertainties when dealing with the seismic data acquired in the hardrock environment.
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.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découle