MétaCan
Menu
Retour à la cohorte
Enregistrement W2596635816 · doi:10.3997/2214-4609.201601416

3D Anisotropic Full Waveform Modeling with an Enhanced OASES Workflow for Complex Source-receiver Geometries

2016· article· en· W2596635816 sur OpenAlexaboutno aff
Aurelian Roeser, S. A. Shapiro

Notice bibliographique

Revue78th EAGE Conference and Exhibition 2016 · 2016
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueSeismic Imaging and Inversion Techniques
Établissements canadiensnon disponible
Organismes subventionnairesMassachusetts Institute of Technology
Mots-clésSeismogramMicroseismComputer scienceWaveformWorkflowRay tracing (physics)Consistency (knowledge bases)AlgorithmAcousticsGeologySeismologyPhysicsOpticsDatabaseTelecommunicationsArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Summary We examine the OASES program code as a potential alternative to wave propagation modeling techniques in microseismic research. We provide an overview on the mathematics and the numerics of OASES, which uses wavenumber integration and the Direct Global Matrix solution technique to model wave propagation in horizontally layered media. In order the increase the usability of OASES for complex source-receiver geometries, we introduce a predominantly automatic enhanced OASES workflow. This workflow is applied to two three-dimensional anisotropic full waveform modeling tests. In the first test, we compare synthetic seismograms computed with OASES to results from two previous studies by the PHASE consortium, which modeled wave propagation with a ray tracing algorithm and the finite difference method respectively. The comparison shows an excellent consistency between all three modeling techniques. The second test compares synthetic seismograms computed with OASES to picked wave arrivals from a microseismic dataset from the Horn River Basin in Canada. The consistency between the modeled and picked wave arrivals is satisfactory for most events, but indicates the necessity of further improvements on the provided velocity model.

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)0,002
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: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,035

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0100,002

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 Opus0,037
Tête enseignante GPT0,232
Écart entre enseignants0,195 · 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

Citations1
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revue78th EAGE Conference and Exhibition 2016Même sujetSeismic Imaging and Inversion TechniquesTravaux en français237 207