MétaCan
Menu
Retour à la cohorte
Enregistrement W2327319456 · doi:10.1190/segam2014-0402.1

Iterative modeling migration and inversion (IMMI): Combining full waveform inversion with standard inversion methodology

2014· article· en· W2327319456 sur OpenAlexaff
Wenyong Pan, Gary F. Margravé, K. A. Innanen

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueSeismic Imaging and Inversion Techniques
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésInversion (geology)Computer scienceAlgorithmWaveformGeologyGeophysicsSeismologyTelecommunications

Résumé

récupéré en direct d'OpenAlex

Summary Full Waveform Inversion (FWI) employs full waveform information to estimate subsurface properties through an iterative process by minimizing the difference between the observed data and synthetic data. This inversion method has been widely studied in recent years but still cannot be practiced effectively in industry. The gradient in FWI is similar to an ungained Reverse Time Migration (RTM) image with the cross-correlation imaging condition. The estimation of the velocity update from the migrated section for FWI is analogous to the common process of impedance inversion. We show that the poorly scaled gradient can be improved by preconditioning with an approximate Hessian matrix (source illumination) forms the gradient or image based on deconvolution imaging condition which can be used to estimate the approximate reflectivity section directly. Thus, the deconvolution based gradient can be employed to estimate the impedance perturbation using the standard inversion methodology, denoted as SM. By examining the key concepts in FWI and SM, a hybrid inversion strategy is proposed by combining FWI with SM, namely, Iterative Modeling Migration and Inversion (IMMI). The IMMI method keeps the step of creating reflectivity image tying to wells control in SM and incorporates the concepts of imaging the data residuals and iteration from FWI. Furthermore, to reduce the computation cost for constructing the gradient and source illumination, the phase-encoding technique is introduced. In this paper, we practice the proposed strategies on a modified Marmousi model and the inversion results show that the IMMI method can reconstruct the velocity model efficiently and stably.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,034
Tête enseignante GPT0,242
Écart entre enseignants0,207 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations9
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetSeismic Imaging and Inversion TechniquesTravaux en français237 207