Frequency-domain full-waveform inversion with updates based on nonlinear sensitivities
Notice bibliographique
Résumé
Although full waveform inversion (FWI) is a highly nonlinear inverse problem, it is usually solved as a local optimization problem under a linear approximation, where small angle backscattered data (via the residuals) are treated linearly. Adding nonlinearity within each update may have important consequences for convergence rates and parameter accuracy. One approach is to include higher-order scattering terms into the sensitivities during the construction of the gradient, by varying not the current but the updated model at each iteration. By applying inverse scattering theory, this additional sensitivity term can be computed from the data residuals at the current iteration. A nonlinear frequency-domain FWI inversion scheme, with an inner and an outer loop, implementing this idea is presented here. A perturbation is inverted from the data residuals within the inner loop, and the descent direction based on the nonlinear sensitivity to update the model is computed involving this perturbation in the outer loop. We test this nonlinear FWI on acoustic single-parameter Marmousi synthetics. The inverted results vary depending on data frequency ranges and initial models, but we conclude that the nonlinear FWI has the capability to generate high resolution model estimates in both shallow and deep regions, and to converge rapidly, relative to a benchmark FWI approach involving the standard gradient. Presentation Date: Tuesday, September 26, 2017 Start Time: 9:20 AM Location: 361F Presentation Type: ORAL
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 | 0,002 |
| 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 | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».