MétaCan
Menu
Retour à la cohorte
Enregistrement W2915945253 · doi:10.1111/1365-2478.12775

Topographic elastic least‐squares reverse time migration based on vector P‐ and S‐wave equations in the curvilinear coordinates

2019· article· en· W2915945253 sur OpenAlexaboutno aff
Yingming Qu, Zhe Guan, Zhenchun Li

Notice bibliographique

RevueGeophysical Prospecting · 2019
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueSeismic Imaging and Inversion Techniques
Établissements canadiensnon disponible
Organismes subventionnairesNational Natural Science Foundation of China
Mots-clésSeismic migrationCurvilinear coordinatesGeologySpurious relationshipLeast-squares function approximationGeometryMathematical analysisAlgorithmGeodesyMathematicsGeophysics

Résumé

récupéré en direct d'OpenAlex

ABSTRACT Elastic least‐squares reverse time migration has been applied to multi‐component seismic data to obtain high‐quality images. However, the final images may suffer from artefacts caused by P‐ and S‐wave crosstalk and severe spurious diffractions caused by complex topographic surface conditions. To suppress these crosstalk artefacts and spurious diffractions, we have developed a topographic separated‐wavefield elastic least‐squares reverse time migration algorithm. In this method, we apply P‐ and S‐wave separated elastic velocity–stress wave equations in the curvilinear coordinates to derive demigration equations and gradient formulas with respect to P‐ and S‐velocity. For the implementation of topographic separated‐wavefield elastic least‐squares reverse time migration, the wavefields, gradient directions and step lengths are all calculated in the curvilinear coordinates. Numerical experiments conducted with the two‐component data synthetized by a three‐topographic‐layer with anomalies model and the Canadian Foothills model are considered to verify our method. The results reveal that compared with the conventional method, our method promises imaging results with higher resolution and has a faster residual convergence speed. Finally, we carry out numerical examples on noisy data, imperfect migration velocity and inaccurate surface elevation to analyse its sensitivity to noise, migration velocity and surface elevation error. The results prove that our method is less sensitive to noise compared with the conventional elastic least‐squares reverse time migration and needs good migration velocities as other least‐squares reverse time migration methods. In addition, when implementing the proposed method, an accurate surface elevation should be obtained by global positioning system to yield high‐quality images.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,017
Score d'incertitude au seuil0,033

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,009
Tête enseignante GPT0,199
Écart entre enseignants0,190 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations17
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueGeophysical ProspectingMême sujetSeismic Imaging and Inversion TechniquesTravaux en français237 207