A regularization by denoising (RED) scheme for 3-D FWI model updates in large-contrast media
Notice bibliographique
Résumé
SUMMARY Full waveform inversion (FWI) endeavours to estimate high-resolution physical properties of subsurface structures. The technique minimizes the data misfit between observed and modelled seismograms. Despite its success, the application of FWI in areas with high-velocity contrasts remains a challenging problem. Often, quadratic regularization methods are chosen to stabilize inverse problems. Unfortunately, quadratic regularization does not preserve edges and sharp discontinuities adequately. Conversely, a regularization term that uses the l1 norm of the gradient of model parameters can preserve discontinuities. The latter leads to edge-preserving methods based on total variation regularization. This work adopts the framework named regularization by denoising (RED) to solve the FWI problem in high-contrast media. The RED technique only requires an image denoising engine, which, in our case, is a modified weighted total variation filter. One advantage of adopting the RED algorithm for solving FWI problems is its simplicity in the numerical implementation and selection of trade-off parameters. We have benchmarked our algorithm via the 2-D BP/EAGE model, a model with significant velocity contrasts and complex salt bodies. We have also tested the proposed regularization method with the 3-D SEG/EAGE overthrust P-wave velocity model. We also compare the proposed RED method and FWI with total variation regularization.
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) | 0,001 | 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 ».