Full waveform inversion using wave‐equation depth migration with tying to wells
Notice bibliographique
Résumé
We examine the key concepts in full waveform inversion (FWI) and relate them to processes familiar to practicing geophysicists. For clarity, we present the central theoretical result behind FWI as a mathematical statement that a linear update to a migration velocity model is proportional to a prestack reverse-time migration of the data residual (the difference between the actual data and data predicted by the model) where the proportionality factor must be estimated. We argue that in many cases this factor will be complex-valued and frequency dependent, or in the time domain, it will be a convolutional wavelet. We find an analogy between estimation of the velocity update from the migrated section and the common process of impedance inversion, and we suggest that FWI can be viewed as a practical cycle of data modeling, migration of the data residual, and “calibration” of this migration to deduce the velocity update. The calibration step can be accomplished like a conventional impedance inversion where the migrated data residual is tied to the velocity residual (the difference between actual velocity and migration velocity) at a well. As there are a great many established algorithms for impedance inversion, so there are a plethora of possibilities for calibration. We present an extended example using the Marmousi model in which we use wave-equation migration (e.g. depth stepping) of the data residual and a simple least-squares amplitude scaling and constant phase rotation, determined at a simulated well, to calibrate the migration. We find that our approach produces a much improved velocity model in only a few iterations.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».