First‐break picking for microseismic data based on cascading use of Shearlet and Stockwell transforms
Notice bibliographique
Résumé
ABSTRACT First‐break picking of microseismic data is a significant step in microseismic monitoring. There is a great error in conventional first‐break picking methods based on time domain analysis in low signal to noise ratio. S‐transform may provide a novel approach, it can extract the time–frequency features of the signal and reduce the picking error because of its high time–frequency resolution and good time–frequency clustering; however, the S‐transform is not well suited for microseismic data with high noise. For applications to array data where the weak signal has spatial coherency as well as some distinct temporal characteristics, we propose to combine the shearlet transform with a time–frequency transform. In the proposed method, the shearlet transform is used to capture spatial coherency features of the signal. The information of the signal and noise in shearlet domain is represented by shearlet coefficients. We use the correlation of signal coefficients at adjacent fine scales to give prominence to signal features to accurately discriminate the signal from noise. The prominent signal coefficients make the signal better gathered in time–frequency spectrum of the S‐transform. Finally, we can get reliable and accurate first breaks based on the change of energy. The performance of the proposed method was tested on synthetic and field microseismic data. The experimental results indicated that our method is outstanding in terms of both picking precision and adaptability to noise.
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 ».