Fast Least-Squares Reverse Time Migration Via Approximating the Hessian as the Sum of Kronecker Products
Notice bibliographique
Résumé
Summary Least-squares reverse time migration (LS-RTM) for complex fields imaging becomes an increasingly popular imaging method. It also enjoys some other advantages. For example, it is capable of attenuating migration artifacts, compensating the image amplitude which is distorted by geometrical spreading and unbalanced illumination, improving resolution via compressing the seismic source wavelet and it can also handle incomplete and noisy data. However, the massive computational overhead of LS-RTM poses a big challenge for modern super-computers and its computation time can easily exceed hundreds of hours. To overcome the shortcomings mentioned above, we propose a fast alternative method for LS-RTM. The new approach is formulated in the model (image) domain. The Hessian matrix is approximated via the superposition of Kronecker products which honour the block-band character of the Hessian matrix. We name the Kronecker product-based new imaging method as KLSRTM. Our numerical tests show the computation time is reduced significantly and the result of the proposed method is comparable to the output of conventional LS-RTM. Also, approximating the Hessian matrix by a superposition of Kronecker products permits for efficient exploration of tradeoff parameters for regularized LS-RTM as the computation cost for solving the KLSRTM is trivial after Kronecker factors are estimated.
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) | 0,002 | 0,001 |
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.
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».