Accelerating seismic scattered noise attenuation in offset-vector tile domain: Application of deep learning
Notice bibliographique
Résumé
ABSTRACT Recent years have witnessed many practical applications of supervised deep learning in seismic processing. However, a weak generalization behavior prevents widespread implementation on large-scale prestack data sets for coherent noise attenuation. This is particularly true when addressing strong near-surface scattered noise in land seismic data. To alleviate this problem, we have combined deep learning with an offset-vector tile (OVT) partitioning method to suppress strong scattered noise. With the OVT partitioning method, seismic data are spatially uniformly sampled, offering a favorable foundation for network learning. Specifically, the reflection probability distribution is more stationary than the noise distribution, making it easier for the network to learn the reflections. Accordingly, we use the direct signal learning strategy rather than the commonly used residual learning strategy to train the network. To construct high-quality training labels, we adopt the 3D continuous wavelet transform (3D CWT), which can exploit the 3D spatial correlation in OVT gathers. General use of these labels can produce results similar to 3D CWT but is highly efficient. To further improve denoising performance, we propose a training sample construction approach that leverages middle-offset OVT volumes with varying azimuths in light of midoffset relatively high signal-to-noise ratio characteristics. The field data experiment demonstrates that our proposed method also has an excellent generalization ability. Despite only using six middle-offset gathers for training, the trained network is able to effectively process 1260 OVTs in a timely manner.
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 ».