High-resolution prestack seismic inversion using a hybrid FISTA least-squares strategy
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 A new inversion method to estimate high-resolution amplitude-versus-angle attributes (AVA) attributes such as intercept and gradient from prestack data is presented. The proposed technique promotes sparse-spike reflectivities that, when convolved with the source wavelet, fit the observed data. The inversion is carried out using a hybrid two-step strategy that combines fast iterative shrinkage-thresholding algorithm (FISTA) and a standard least-squares (LS) inversion. FISTA, which can be viewed as an extension of the classical gradient algorithm, provides sparse solutions by minimizing the misfit between the modeled and the observed data, and the l1-norm of the solution. FISTA is used to estimate the location in time of the main reflectors. Then, LS is used to retrieve the appropriate reflectivity amplitudes that honor the data. FISTA, like other iterative solvers for l1-norm regularization, does not require matrices in explicit form, making it easy to apply, economic in computational terms, and adequate for solving large-scale problems. As a consequence, the FISTA+LS strategy represents a simple and cost-effective new procedure to solve the AVA inversion problem. Results on synthetic and field data show that the proposed hybrid method can obtain high-resolution AVA attributes from noisy observations, making it an interesting alternative to conventional methods.
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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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