Shear-wave seismic reflection processing - the importance of velocity analysis
Notice bibliographique
Résumé
<p>Based on our experience, one of the most important steps in processing shear-wave seismic reflection data is the velocity analysis. In unconsolidated materials a very fine velocity analysis is more essential for S-waves than for P-waves because shear-wave velocities vary over several orders of magnitude and can change very quickly laterally and with depth. Velocities between 100m/s in glaciolacustine/marine deposits (clay-sized silts) and 1200m/s in stiff diamicton (till) were encountered in recent surveys. Shear-wave velocities have the large advantage of not being changed by the phase of the pore content such as the groundwater table.</p><p>We present two fundamentally different methods for velocity determination: 1) velocity semblance analysis based on hyperbolic reflection move-out on common midpoint (cmp) gathers and 2) Local Phase – Local Shift (LPLS) method which automatically estimates the reflection slope (local static shift) in the time-frequency domain of cmp gathers. Published in 2020, the latter method can be used for automated processing and substantially saves processing time.</p><p>Processing steps in preparation for velocity analysis (independent of the chosen method) include frequency filtering, trace equalizing and muting. We show velocity semblance images from different geological settings (glacial, postglacial) and from different shear components and discuss differences. Information gained besides shear velocities include mapped reflectors and located diffractions. Using those examples, we demonstrate how combining all information using visualisation techniques enhances interpretation of such data sets.</p>
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 | 0,001 |
| 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 ».