Robust time-frequency analysis of seismic data using general linear chirplet transform
Notice bibliographique
Résumé
ABSTRACT Time-frequency analysis (TFA) has been widely used in seismic processing and interpretation. A good time-frequency representation can preferably characterize geologic spatial distribution and detect hydrocarbon reservoir anomalies. This paper applies a robust seismic TFA method based on the general linear chirplet transform (GLCT). The GLCT method is an extended form of LCT, which is a unifying framework encompassing the short time Fourier transform (STFT) and the continuous wavelet transform (CWT) using the chirplet atom as the kernel function instead of the sinusoidal wave or wavelets. By rotating the chirplet atom at each time-frequency point, GLCT method could adaptively choose the best atom to fit the local time-frequency feature of seismic signals. The algorithm follows such a simple logic and produces a broadband time-frequency spectrum free of cross-term interference, resulting in good performance characterizing the instantaneous spectral variations. Synthetic data analysis demonstrates that the GLCT method is able to reach a higher energy concentration in the time-frequency plane than conventional methods. Robustness analysis indicates that GLCT produces more stable results that outperform not only STFT, CWT, but also high-resolution methods such as the synchrosqueezing transform and complete ensemble empirical mode decomposition in the case of noisy data. The application to field data illustrates that the isofrequency attributes extracted by GLCT through spectral decomposition could effectively image subtle stratigraphic structures of the subsurface paleotopography and highlight the frequency anomalies associated with hydrocarbons. Sometimes, these anomalies might be otherwise inundated in the background noise. Our method can be a validation tool for seismic facies interpretation improvement and direct hydrocarbon indication in practice.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».