Estimation of Near Surface Shear Wave Velocity Using CMP Cross-Correlation of Surface Waves (CCSW)
Notice bibliographique
Résumé
One of the challenges of converted wave processing is to estimate a good near surface shear wave velocity model for static corrections. To this end, we have enlarged upon the idea of CMP Cross-Correlation of Surface Waves (CCSW Hayashi and Suzuki, 2004) to increase lateral resolution. Our approach is faster than the conventional CCSW and we believe it is more robust in the presence of variable source wavelet and noise. We cross-correlate each trace of a shot record is with a reference trace that is selected from within the shot gather based on high signal to noise ration. This step removes source effect, and converts traces to zero-phase. New midpoints that relate to the correlated traces are then calculated. We calculate the phase velocity for each CMP gather, and finally, we convert the resulting dispersion curve to a vertical shear wave velocity by an inverse procedure. Putting together all the vertical shear wave velocity profiles of all the CMP gathers, a 2D image of shear wave velocity is obtained for the data set. In this study, we invert for a 2D shear wave profile for a receiver line that was extracted from a 3D seismic survey. The S velocity model obtained from the method shows a well coherent match to the P velocity model obtained from turning wave tomography. We have used the model to compute converted wave receiver statics, and our results illustrate the potential use of this method for computing converted wave receiver static corrections.
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 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».