3D imaging challenges in steeply dipping mining structures: New lights on acquisition geometry and processing from the Brunswick no. 6 seismic data, Canada
Notice bibliographique
Résumé
ABSTRACT We have analyzed and processed a 38-km2 nonorthogonal 3D surface reflection seismic data in the Brunswick no. 6 area to better understand the effect of acquisition geometry on the resultant image and to provide 3D information about the main geologic structures hosting the mineralization. The 3D data were processed using a conventional prestack dip moveout (DMO) and poststack migration algorithm with special focus on refraction static corrections, velocity analysis, and DMO corrections that are important for the data recorded in crystalline environment. However, the nonorthogonal nature of the 3D data combined with its narrow-azimuth, irregular offset distributions, and 2D nature of midpoint distribution in common depth point bins resulted in a lower quality seismic image than those observed on a series of 2D seismic profiles collected in the area prior to the 3D data acquisition. 2D wavenumber spectrum of the data suggests acquisition footprint associated with the data. Most of the noise associated with the acquisition footprint manifested itself as short-length, high-amplitude shallow reflections but largely were attenuated using a dip filter running in the wavenumber domain. Various bin size and geometries were tested, and the best result was obtained using rectangular bins aligned in the orientation of the shot lines. The processing results indicated that the highly prospective and mineralized Brunswick horizon is part of a continuous reflective package that could guide future deep mineral exploration in this mining camp.
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) | 0,000 | 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 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 ».