Efficient pseudo-Gauss-Newton full-waveform inversion in the τ-p domain
Notice bibliographique
Résumé
ABSTRACT Full-waveform inversion (FWI) seeks to estimate subsurface elastic properties by iterative minimization of the difference between synthetic and observed data. Its industrial application suffers from several well-defined obstacles, including high computational cost, slow convergence rate, and the phenomenon of cycle skipping. We have developed an efficient τ-p domain waveform inversion aimed at reducing the computational burden of FWI with a phase-encoding technique. The gradient is constructed in the τ-p domain using linear phase-encoding, and a slant update strategy further reduces the computational burden. Poorly scaled and blurred gradient updates can be enhanced using exact or approximate versions of the inverse Hessian, which leads to a faster convergence rate. We developed a new chirp phase-encoding strategy for diagonal Hessian construction. Preconditioning the gradient using the diagonal phase-encoded approximate Hessian forms what we refer to as a pseudo-Gauss-Newton (PGN) step. To test the effectiveness of the τ-p-domain FWI, the strategies were enacted on a modified Marmousi model. We compared the computational cost of the PGN method with traditional methods, and we evaluated the quality of the inversion results. The PGN method can get a better inversion result with the same computational cost. We have also analyzed the effects of different ray parameter settings and the influence of source spacing, and we compared different preconditioning methods for τ-p-domain FWI.
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 | 0,001 | 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 | 0,001 |
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 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 ».