Fast and automatic microseismic phase-arrival detection and denoising by pattern recognition and reduced-rank filtering
Notice bibliographique
Résumé
ABSTRACT We have developed a fast method that allowed us to automatically detect and denoise microseismic phase arrivals from 3C multichannel data. The method is a two-step process. First, the detection is carried out by means of a pattern recognition strategy that seeks plausible hyperbolic phase arrivals immersed in noisy 3C multichannel data. Then, the microseismic phase arrivals are denoised and reconstructed using a reduced-rank approximation of the singular value decomposition of the data along the detected phase arrivals in the context of a deflation procedure that took into account multiple arrivals and/or phases. For the detection, we have defined an objective function that measured the energy and coherence of a potential microseismic phase arrival along an apex-shifted hyperbolic search window. The objective function, which was maximized using very fast simulated annealing, was based on the energy of the average signal and depended on the source position, receivers geometry, and velocity. In practice, the detection process did not require any a priori velocity model, leading to a fast algorithm that can be used in real time, even when the underlying velocity model was not constant. The reduced-rank filtering coupled with a crosscorrelation-based synchronization strategy allowed us to extract the most representative waveform for all the individual traces. Tests using synthetic and field data have determined the reliability and effectiveness of the proposed method for the accurate detection and denoising of 3C multichannel microseismic events under noisy conditions. Two confidence indicators to assess the presence of an actual phase arrival and the reliability of the denoised individual wave arrivals were also developed.
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 | 0,000 |
| 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 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 ».