Efficient τ-<i>p</i>domain waveform inversion, part 2: Sensitivity to<i>p</i>component setting, source spacing and noise
Notice bibliographique
Résumé
Summary Full Waveform Inversion (FWI) has been widely studied in recent years but challenges remain. Issues include computational cost, slow convergence rate, cycle skipping problem and so on. Aiming at these obstacles, we develop the τ-p domain waveform inversion with a assemblage of strategies and present the inversion results with different scaling methods in a companion paper (Pan et al., 2014b). Generally, for per iteration in FWI, slant stacking over a set of p values should be performed to balance the updates. To reduce the computational burden further, we illustrate slant update strategy with varied p values in which the model updates can be balanced as the iteration proceeds. The phase-encoding method in τ-p domain can reduce the computational cost considerably, but unfortunately, it can also involve serious crosstalk artifacts especially for sparsely sampled sources. A further examination of the anti-aliasing rules in the Random transform reveals that the source spacing has a negative relationship with ray parameter spacing. Different ray parameters are responsible to illuminate the subsurface layers with different dip angles. So, in this paper, we analyze the influences of source spacing and ray parameter range on the τ-p domain FWI. In practical application, the presence of noise can increase the ill-posedness of the least-squares inversion problem. Hence, we also analyze the stability of τ-p domain FWI with noise data.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».