Least-squares wave-equation migration for AVP/AVA inversion
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 present an acoustic migration/inversion algorithm that uses extended double-square-root wave-equation migration and modeling operators to minimize a constrained least-squares data misfit function (least-squares migration). We employ an imaging principle that allows for the extraction of ray-parameter-domain common image gathers (CIGs) from the propagated seismic wavefield. The CIGs exhibit amplitude variations as a function of half-offset ray parameter (AVP) closely related to the amplitude variation with reflection angle (AVA). Our least-squares wave-equation migration/inversion is constrained by a smoothing regularization along the ray parameter. This approach is based on the idea that rapid amplitude changes or discontinuities along the ray parameter axis result from noise, incomplete wavefield sampling, and numerical operator artifacts. These discontinuities should therefore be penalized in the inversion. The performance of the proposed algorithm is examined with two synthetic examples. In the first case, we generated acoustic finite difference data for a horizontally layered model. The AVP functions based on the migrated/inverted ray parameter CIGs were converted to AVA plots. The AVA plots were then compared to the true acoustic AVA of the reflectors. The constrained least-squares inversion compares favorably with the conventional migration, especially when incompleteness compromises the data. In the second example, we use the Marmousi data set to test the algorithm in complex media. The result shows that least-squares migration can mitigate kinematic artifacts in the ray-parameter domain CIGs effectively.
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