Off-the-grid vertical seismic profile data regularization by a compressive sensing method
Notice bibliographique
Résumé
ABSTRACT Different from the surface survey, the vertical seismic profile (VSP) survey deploys sources on the surface and geophones in a well. VSP provides higher resolution information of subsurface structures. The faults that cannot be imaged with surface seismic data may be detected with VSP data, and detailed analysis of fracture zones can be achieved with multicomponent VSP. However, one of the main problems is that the sources seldom are acquired on a regular grid in realistic VSP surveys. The irregular samplings cause serious artifacts in migration or imaging, such that data regularization must be implemented first. We have developed a compressive sensing (CS)-based method to regularize nonstationary VSP data. Our method directly operates on irregularly gridded data sets, which is a key contribution compared to the existing CS-based reconstruction methods that work on regular grids. The CS framework consists of a sparsity constraint and a penalty term. We have used the curvelet transform for sparsity constraint of nonstationary events in the regularization term and the nonequispaced Fourier transform to regularize the VSP data in a penalty term. An alternative directional method of multipliers is used for solving the optimization problem. Our method is tested on synthetic, field 2D and 3D VSP data sets. Our method obtains improved reconstructions on continuities of the events and produces fewer artifacts compared to the well-known antileaking Fourier transform method.
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 | 0,001 |
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; 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 ».