Multichannel band-controlled deconvolution based on a data-driven structural regularization
Notice bibliographique
Résumé
ABSTRACT Sparse deconvolution methods frequently invert for subsurface reflection impulses and adopt a trace-by-trace processing pattern. However, following this approach causes unreliability of the estimated reflectivity due to the nonuniqueness of the inverse problem, the poor spatial continuity of structures in the reconstructed reflectivity section, and the suppression on the reflection signals with small amplitudes. We have developed a structurally constrained multichannel band-controlled deconvolution (SC-MBCD) algorithm to alleviate these three issues. The algorithm inverts for a high-resolution seismogram rather than the full-band reflectivity series, thereby reducing the multiple solutions in the inversion and enhancing the reliability of processing results. We also exploited a structural constraint term to guarantee the spatial continuity of the structures, and we enhanced the relatively weak signals. The reflection structure characteristics, defined and extracted from the observed stacked seismic data, are the core of the structural regularization item. We solved the cost function of the SC-MBCD by the alternating direction method of multipliers algorithm. Synthetic model and field data examples demonstrate the rationality of SC-MBCD and confirmed that the algorithm can provide a better inversion result than the conventional sparse spike inversion in terms of retrieving weak reflection events and guaranteeing stratal continuities.
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 ».