Enhancing 3D post‐stack seismic data acquired in hardrock environment using 2D curvelet transform
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».