A reality check on full-wave inversion applied to land seismic data for near-surface modeling
Notice bibliographique
Résumé
Abstract We evaluate the performance of traveltime tomography and full-wave inversion (FWI) for near-surface modeling using the data from a shallow seismic field experiment. Eight boreholes up to 20-m depth have been drilled along the seismic line traverse to verify the accuracy of the P-wave velocity-depth model estimated by seismic inversion. The velocity-depth model of the soil column estimated by traveltime tomography is in good agreement with the borehole data. We used the traveltime tomography model as an initial model and performed FWI. Full-wave acoustic and elastic inversions, however, have failed to converge to a velocity-depth model that desirably should be a high-resolution version of the model estimated by traveltime tomography. Moreover, there are significant discrepancies between the estimated models and the borehole data. It is understandable why full-wave acoustic inversion would fail — land seismic data inherently are elastic wavefields. The question is: Why does full-wave elastic inversion also fail? The strategy to prevent full-wave elastic inversion of vertical-component geophone data trapped in a local minimum that results in a physically implausible near-surface model may be cascaded inversion. Specifically, we perform traveltime tomography to estimate a P-wave velocity-depth model for the near-surface and Rayleigh-wave inversion to estimate an S-wave velocity-depth model for the near-surface, then use the resulting pairs of models as the initial models for the subsequent full-wave elastic inversion. Nonetheless, as demonstrated by the field data example here, the elastic-wave inversion yields a near-surface solution that still is not in agreement with the borehole data. Here, we investigate the limitations of FWI applied to land seismic data for near-surface modeling.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».