Estimation of primaries by sparse inversion with scattering-based multiple predictions for data with large gaps
Notice bibliographique
Résumé
ABSTRACT We have solved the estimation of primaries by sparse inversion problem for a seismic record with large near-offset gaps and other contiguous holes in the acquisition grid without relying on explicit reconstruction of the missing data. Eliminating the unknown data as an explicit inversion variable is desirable because it sidesteps possible issues arising from overfitting the primary model to the estimated data. Instead, we have simulated their multiple contributions by augmenting the forward prediction model for the total wavefield with a scattering series that mimics the action of the free surface reflector within the area of the unobserved trace locations. Each term in this scattering series involves convolution of the total predicted wavefield once more with the current estimated Green’s function for a medium without the free surface at these unobserved locations. It is important to note that our method cannot by itself mitigate regular undersampling issues that result in significant aliases when computing the multiple contributions, such as source-receiver sampling differences or crossline spacing issues in 3D acquisition. We have investigated algorithms that handle the nonlinearity in the modeling operator due to the scattering terms, and we also determined that just a few of the terms can be enough to satisfactorily mitigate the effects of near-offset data gaps during the inversion process. Numerical experiments on synthetic data found that the final derived method can significantly outperform explicit data reconstruction for large near-offset gaps, with a similar computational cost and better memory efficiency. We have also found on real data that our scheme outperforms the unmodified primary estimation method that uses an existing Radon-based interpolation of the near-offset gap.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».