Multidimensional inverse-scattering series internal multiple prediction in the coupled plane-wave domain
Notice bibliographique
Résumé
ABSTRACT The inverse-scattering series internal multiple prediction and attenuation algorithm predicts multiples using certain combinations of input seismic reflection data events, which are computed in the wavenumber/pseudodepth or plane-wave/vertical traveltime (i.e., τ-p) domains. Significant differences can arise in the algorithms’ output and computational expense depending on which domain is used. Many of these are traceable to the response of the algorithm to the users’ choice of the search-limiting parameter ε. The question of which domain is optimal can be addressed with benchmark synthetics. The compactness of the input to the plane-wave domain algorithm leads to the expectation that it will have a reduced computational expense. Also, the lack of increase in the dominant period (i.e., the “width”) of input events as the horizontal slowness increases leads to the expectation that it will respond well to a constant ε. Both of these expectations are borne out with a 1.5D benchmark example. A 2D plane-wave prediction requires the data to be transformed to the τ-pg-ps, or coupled plane-wave, domain, involving source- and receiver-side horizontal slownesses. An implementation of this transform leads to the first numerical examples of full 2D inverse series τ-p prediction. The arrival times, relative amplitudes, and moveout patterns of multiples from dipping horizons are seen in a benchmark synthetic example to be faithfully determined in the plane-wave formulation; waveform mismatches are, however, observed, which are traceable to the numerics of the forward and inverse transforms. High-resolution Radon transforms are a good candidate to improve the match.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».