Preconditioning seismic data with 5D interpolation for computing geometric attributes
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
The most common preconditioning of seismic data improves the signal-to-noise (S/N) ratio of the seismic data by removing spatial noise or enhancing the coherency and alignment of the reflection events, without unnecessary smoothing or smearing of the discontinuities. Although we usually think of removing unwanted features, we can also improve the S/N by predicting unmeasured signal, such as dead traces and lower-fold areas corresponding to unrecorded offsets and azimuths in the gathers. Missing offsets and azimuths almost always negatively impact prestack inversion and AVAz analysis. While missing offsets and azimuths may not result in sufficiently reduced S/N of stacked data to impair conventional time-structure interpretation, they usually give rise to attribute artifacts. If the inconsistencies in fold follow a regular pattern, we refer to the corresponding attribute pattern as “acquisition footprint.” Acquisition footprint is an undesirable artifact that masks the geologic features or amplitude variations seen on time slices from the seismic data, especially at shallow times. We begin our article by correlating missing data and areas of low fold to artifacts seen in seismic attributes. We then show how 5D interpolation of missing data prior to prestack migration results in more complete gathers resulting in a better balanced stack and the reduction of footprint and other attribute artifacts.
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