5D seismic data completion and denoising using a novel class of tensor decompositions
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 We have developed a novel strategy for simultaneous interpolation and denoising of prestack seismic data. Most seismic surveys fail to cover all possible source-receiver combinations, leading to missing data especially in the midpoint-offset domain. This undersampling can complicate certain data processing steps such as amplitude-variation-with-offset analysis and migration. Data interpolation can mitigate the impact of missing traces. We considered the prestack data as a 5D multidimensional array or otherwise referred to as a 5D tensor. Using synthetic data sets, we first found that prestack data can be well approximated by a low-rank tensor under a recently proposed framework for tensor singular value decomposition (tSVD). Under this low-rank assumption, we proposed a complexity-penalized algorithm for the recovery of missing traces and data denoising. In this algorithm, the complexity regularization was controlled by tuning a single regularization parameter using a statistical test. We tested the performance of the proposed algorithm on synthetic and real data to show that missing data can be reliably recovered under heavy downsampling. In addition, we demonstrated that compressibility, i.e., approximation of the data by a low-rank tensor, of seismic data under tSVD depended on the velocity model complexity and shot and receiver spacing. We further found that compressibility correlated with the recovery of missing data because high compressibility implied good recovery and vice versa.
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 | 0,000 | 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 | 0,000 |
| 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