Elastic least-squares reverse time migration via linearized elastic full-waveform inversion with pseudo-Hessian preconditioning
Notice bibliographique
Résumé
ABSTRACT Time-domain elastic least-squares reverse time migration (LSRTM) is formulated as a linearized elastic full-waveform inversion problem. The elastic Born approximation and elastic reverse time migration (RTM) operators are derived from the time-domain continuous adjoint-state method. Our approach defines P- and S-wave impedance perturbations as unknown elastic images. Our algorithm is obtained using continuous functional analysis in which the problem is discretized at the final stage (optimize-before-discretize approach). The discretized numerical versions of the elastic Born operator and its adjoint (elastic RTM operator) pass the dot-product test. The conjugate gradient least-squares method is used to solve the least-squares migration quadratic optimization problem. In other words, the Hessian operator for elastic LSRTM is implicitly inverted via a matrix-free algorithm that only requires the action of forward and adjoint operators on vectors. The diagonal of the pseudo-Hessian operator is used to design a preconditioning operator to accelerate the convergence of the elastic LSRTM. The elastic LSRTM provides higher resolution images with fewer artifacts and a superior balance of amplitudes when compared with elastic RTM. More important, elastic LSRTM can mitigate crosstalk between the P- and S-wave impedance perturbations given that the off-diagonal elements of the Hessian are attenuated via the inversion.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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.
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 ».