Reconstruction of S-waves from low-cost randomized and simultaneous acquisition by joint sparse inversion
Notice bibliographique
Résumé
Spatial Nyquist sampling rate, which is proportional to the apparent subsurface velocity, is the key deciding cost factor for conventional seismic acquisition. Due to the lower shear wave velocity compared with compressional waves, finer spatial sampling is required to properly record the earlier, which increases the acquisition costs. This is one of the reasons why shear waves are usually not considered in practice. To avoid having the Nyquist criterion as the deciding cost factor and to utilize multicomponent data to its available full extent, we propose acquiring randomly undersampled ocean bottom seismic data. Each component can then be interpolated separately, followed by elastic decomposition to recover up- and down-going S-waves. Instead, we jointly interpolate and decompose the recorded multicomponent data by solving one sparsity promoting optimization problem. This way we ensure that the relative amplitudes of the multicomponent data is preserved. We compare two sparsifying transforms: the curvelet transform and the frequency-wavenumber transform. Another key cost deciding factor for seismic acquisition is the efficiency of acquiring data. This calls for simultaneous acquisition, which requires a source separation step. Similarly, instead of taking a two-step approach, we perform a sparsity-promoting joint source separation decomposition. Results on economically and efficiently acquired synthetic data of both joint methods show their ability of reconstructing accurate up- and down-going S-waves. Presentation Date: Tuesday, September 26, 2017 Start Time: 3:55 PM Location: 370A 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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,003 | 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 ».