Amplitude variation with offset inversion using acoustic-elastic local solver
Notice bibliographique
Résumé
ABSTRACT Conventional amplitude variation with offset (AVO) inversion analysis uses the Zoeppritz equations, which are based on a plane-wave approximation. However, because real seismic data are created by point sources, wave reflections are better modeled by spherical waves than by plane waves. Indeed, spherical reflection coefficients deviate from planar reflection coefficients near the critical and postcritical angles, which implies that the Zoeppritz equations are not applicable for angles close to critical reflection in AVO analysis. Elastic finite-difference simulations provide a solution to the limitations of the Zoeppritz approximation because they can handle near- and postcritical reflections. We have used a coupled acoustic-elastic local solver that approximates the wavefield with high accuracy within a locally perturbed elastic subdomain of the acoustic full domain. Using this acoustic-elastic local solver, the local wavefield generation and inversion are much faster than performing a full-domain elastic inversion. We use this technique to model wavefields and to demonstrate that the amplitude from within the local domain can be used as a constraint in the inversion to recover elastic material properties. Then, we focus on understanding how much the amplitude and phase contribute to the reconstruction accuracy of the elastic material parameters (VP, VS, and ρ). Our results suggest that the combination of amplitude and phase in the inversion helps with the convergence. Finally, we analyze elastic parameter trade-offs in AVO inversion, from which we find that to recover accurate P-wave velocities we should invert for VP and VS simultaneously with fixed density.
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 ».