Processing seismic data in the presence of residual statics
Notice bibliographique
Résumé
Many common processing steps are degraded by static shifts in the data. The effects of static shifts are analogous to noise or missing samples in the data, and therefore can be treated using constraints on sparsity or simplicity. In this paper we show that random static shifts decrease sparsity in the Fourier and Radon transforms, as well as increase the rank of seismic data. We also show that the concepts of sparsity promotion and rank reduction can be used to solve for static shifts as well as to carry out conventional processes in the presence of statics. The first algorithm presented is a modification to the reinsertion step of Projection Onto Convex Sets (POCS) and Tensor Completion (TCOM) that allows for the compensation of residual statics during 5D denoising and interpolation of seismic data. The method allows preserving residual statics during denoising, or correction of residual statics in the case of simultaneous denoising and interpolation. An example is shown for a 5D reconstruction of synthetic data with added noise, missing traces and random static shifts, as well as for a 2D stacked section with missing traces and static shifts. While standard reconstruction struggles in the presence of even small static shifts, reconstruction with simultaneous estimation of statics is able to accurately reconstruct the data. The second algorithm presented is a Statics Preserving Sparse Radon transform (SPSR). This algorithm includes statics in the Radon bases functions, allowing for a sparse representation of statics-contaminated data in the Radon domain.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».