Correcting for salt misinterpretation with full-waveform inversion
Notice bibliographique
Résumé
Using full-waveform inversion (FWI) to update velocity models that contain salt bodies with high velocity contrasts is challenging. It is even harder if erroneous salt geometry is part of the velocity model. Shen et al. (2017) showed a successful FWI application that corrected some misinterpretation of salt structures and resulted in improved subsalt images at the Atlantis field in the Gulf of Mexico. Their study stressed the importance of the low frequencies (usable down to 1.6 Hz), full azimuths, and long offsets of OBN data. Encouraged by the success at Atlantis, we revisited some aspects of FWI algorithms to minimize cycle-skipping and amplitude discrepancy issues that are common in the presence of salt and salt misinterpretation. Here we present the use of traveltime misfit measured in frequency-dependent time windows as the FWI cost function. It is devised to minimize the negative impact from the amplitude discrepancy and cycleskipping between the recorded data and modeled synthetic data. Furthermore, we use the crosscorrelation coefficient between the recorded data and synthetic data as a weight function in gradient computation to promote traveltime measurements of higher quality. We demonstrate the effect of our approach using a full-azimuth streamer data set in an area of complex shallow salt bodies in the Gulf of Mexico. Presentation Date: Tuesday, October 16, 2018 Start Time: 1:50:00 PM Location: 207C (Anaheim Convention Center) 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 | 0,003 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,007 |
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 ».