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
Ideas from the field of compressive sensing are rapidly making their way into the geophysical realm. We believe that these concepts will motivate major changes in the way that our industry acquires, processes, and images seismic data. In preparation for these changes, we have undertaken an initiative to build a consistent framework for learning, investigating, and applying compressive sensing concepts to the full range of technologies used in seismic acquisition, processing, and imaging. We refer to this framework as Compressive Seismic Imaging (CSI). The components of our CSI framework include compressive sensing theory, acquisition design, processing and imaging algorithms, and the work flows that link these components into a complete system. A key element of our CSI program is the use of field trials to expose algorithms, processes, and people to the realities of deploying new technology in our industry. Before going to the field, we use extensive computer modeling to identify CSI concepts that are either ready for deployment, or require testing in the field to advance the technology. A number of 2D and 3D field trials were undertaken by ConocoPhillips in 2011 to test compressive sensing design ideas for seismic data acquisition. To date, we have acquired test datasets for validating CSI concepts for land, marine, and ocean bottom recording configurations. The key compressive sensing concepts we have tested so far include non-uniform sampling for sources and receivers, data reconstruction, simultaneous shooting, and source encoding. Initial results from these trials show that compressive sensing concepts have the potential to significantly improve acquisition efficiency. Use of the CSI framework has allowed us to quickly focus our attention on the most relevant problems for compressive sensing technology deployment, resulting in rapid progress in our understanding.
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