Separation and reconstruction of simultaneous source data via iterative rank reduction
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 have developed a rank-reduction algorithm based on singular spectrum analysis (SSA) that is capable of suppressing the interferences generated by simultaneous source acquisition. We evaluated an inversion scheme that minimizes the misfit between predicted and observed blended data in t-x domain subject to a low-rank constraint that is applied to data in the f-x domain. In particular, we developed an iterative algorithm by adopting the projected gradient method with the SSA filter acting as the projection operator. This method entails extracting small patches of data from a common receiver gather and organizing the spatial data at a given monochromatic frequency into a Hankel matrix. For the ideal unblended data, Hankel matrices extracted from the data are of low rank. The incoherent interferences in common-receiver domain caused by simultaneously fired shots increase the rank of the aforementioned Hankel matrices. Therefore, rank-reduction filtering is an effective way to annihilate source interferences while preserving the unblended signal. Through tests with synthetic examples, we found that the interference can be effectively suppressed by the proposed method. In addition, we found that the proposed algorithm can be modified to simultaneously cope with deblending and data recovery. A real survey acquired in the Gulf of Mexico was used to mimic a simultaneous-source acquisition with missing shot locations. The algorithm was able to recover the missing shot gathers from the blended acquisition with an improvement of the signal quality of approximately 12 dB.
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