Improving seismic images for frontier exploration in East Coast Canada: Lessons learned
Notice bibliographique
Résumé
Frontier exploration involves many unknowns, making seismic image quality all the more critical. Image quality is determined by the input data, velocity model, and migration algorithm, with the velocity update typically being the most difficult part. In Orphan Basin, a deep-water exploration frontier off the east coast of Canada, many of the velocity challenges were resolved with Time-lag Full-waveform Inversion (TLFWI, Zhang et al., 2018), which resulted in improved Kirchhoff images. However, while TLFWI resolved most of the velocity issues, we also encountered challenges with the migration algorithm and input data. In areas with high-contrast velocity details, ray tracing breaks down and Kirchhoff migration images deteriorate. Reverse Time Migration (RTM) overcomes the ray tracing limitations through wavefield extrapolation but still suffers from low illumination due to complex overburdens. We utilized FWI Imaging (Zhang et al., 2020) to resolve the imaging issues, producing migration images superior to both Kirchhoff and RTM. Regarding the migration input, we were faced with the inherent limitations of the available narrowazimuth streamer data, as well as a hard sea floor that made the high-order multiples from previous shots strong enough to contaminate the primary energy of current shots. To address this, we applied a multi-stage surface-related multiple elimination flow to remove the high-order multiples, resulting in better high-frequency Kirchhoff images with improved signal-to-noise ratio (S/N).
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,003 |
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 source (Gemma direct ou Codex distillé), 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 ».