Robust refraction statics solution and near-surface velocity model building using feedback from reflection data
Notice bibliographique
Résumé
ABSTRACT An accurate near-surface velocity model is critical for weathering statics correction and initial model building for depth migration and full-waveform inversion. However, near-surface models from refraction inversion often suffer from errors in refraction data, insufficient sampling, and over-simplified assumptions used in refraction algorithms. Errors in refraction data can be caused by picking errors resulting from surface noise, attenuation, and dispersion of the first-arrival energy with offset. These errors are partially compensated later in the data flow by reflection residual statics. Therefore, surface-consistent residual statics contain information that can be used to improve the near-surface velocity model. We have developed a new dataflow to automatically include median and long-wavelength components of surface-consistent reflection residual statics. This technique can work with any model-based refraction solution, including grid-based tomography methods and layer-based methods. We modify the cost function of the refraction inversion by adding model and data weights computed from the smoothed surface-consistent residual statics. By using an iterative inversion, these weights allow us to update the near-surface velocity model and to reject first-arrival picks that do not fit the updated model. In this nonlinear optimization workflow, the refraction model is derived from maximizing the coherence of the reflection energy and minimizing the misfit between model arrival times and the recorded first-arrival times. This approach can alleviate inherent limitations in shallow refraction data by using coherent reflection data.
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 | 0,001 |
| 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 ».