Learning from migration and demigration: A practical approach for fast denoising
Notice bibliographique
Résumé
Noise is an unavoidable issue in seismic acquisition and processing. In particular with modern land acquisition design trending towards point source, point sensor and high trace density, the raw seismic quality would be further compromised due to the lack of stacking power for individual traces. For decades, many authors have put forward their solutions to cope with noise. Nevertheless, these methods often targeted a single type of noise, such as harmonics or ice-break noise, or noise with similar characters, such as random noise or guided waves. In processing, seismic denoising is often performed in data domains and incorporated into multiple steps to account for different noise characters. Even though most denoising methods are less computationally intensive comparing to velocity model building and imaging, the procedure could be still time consuming with iterations of manual testing, quality control and parameterization. Leveraging migration and demigration, here we propose a learning-based approach for fast denoising with applications to fast-track processing. The method is designed to directly work on raw data without separating each noise type and character. The automatic attenuation of noise is attained by performing migration/demigration guided sparse inversion. By discussing examples from a Permian Basin dataset with very challenging noise issues, we attest the feasibility of this learning-based approach as a fast turnaround alternative to conventional denoising methodology. Presentation Date: Wednesday, October 14, 2020 Session Start Time: 8:30 AM Presentation Time: 9:45 AM Location: 362D Presentation Type: Oral
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 ».