Simultaneous-source seismic data acquisition and processing with compressive sensing
Notice bibliographique
Résumé
The work in this thesis adapts ideas from the field of compressive sensing (CS) that lead to new insights into acquiring and processing seismic data, where we can fundamentally rethink how we design seismic acquisition surveys and process acquired data to minimize acquisition- and processing-related costs. Current efforts towards dense source/receiver sampling and full azimuthal coverage to produce high-resolution images of the subsurface have led to the deployment of multiple sources across survey areas. A step ahead from multisource acquisition is simultaneous-source acquisition, where multiple sources fire shots at near-simultaneous/random times resulting in overlapping shot records, in comparison to no overlaps during conventional sequential-source acquisition. Adoption of simultaneous-source techniques has helped to improve survey efficiency and data density. The engine that drives simultaneous-source technology is simultaneous-source separation — a methodology that aims to recover conventional sequential-source data from simultaneous-source data. This is essential because many seismic processing techniques rely on dense and periodic (or regular) source/receiver sampling. We address the challenge of source separation through a combination of tailored simultaneous-source acquisition design and sparsity-promoting recovery via convex optimization using l1 objectives. We use CS metrics to investigate the relationship between marine simultaneous-source acquisition design and data reconstruction fidelity, and consequently assert the importance of randomness in the acquisition system in combination with an appropriate choice for a sparsifying transform (i.e., curvelet transform) in the reconstruction algorithm. We also address the challenge of minimizing the cost of expensive, dense, periodically-sampled and replicated time-lapse surveying and data processing by adapting ideas from distributed compressive sensing. We show that compressive randomized time-lapse surveys need not be replicated to attain acceptable levels of data repeatability, as long as we know the shot positions (post acquisition) to a sufficient degree of accuracy. We conclude by comparing sparsity-promoting and rank-minimization recovery techniques for marine simultaneous-source separation, and demonstrate that recoveries are comparable; however, the latter approach readily scales to large-scale seismic data and is computationally faster.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».