Notice bibliographique
Résumé
Full waveform inversion (FWI) methods can produce high-resolution images of the physical properties of the subsurface. FWI has become a powerful tool for time-lapse or 4D seismic inversion, with applications in the monitoring of reservoir changes with injection and production, and potentially long-term storage of carbon. Current common time-lapse FWI strategies include the parallel strategy (PRS), the sequential strategy (SQS), the double-difference strategy (DDS). PRS time-lapse inversion is affected by convergence differences between the baseline and monitoring inversions, as well as non-repeatable noise and non-repeatable acquisition geometries between surveys. The other strategies are largely efforts to fix the sensitivities of PRS, but robust solutions are still sought. We hypothesize that several problems in time-lapse FWI arise from the independence of step lengths during updating. This is supported by synthetic data tests, which indicate that stepsize-sharing reduces artifacts caused by the variability in PRS convergence. A new strategy, we refer to as stepsize-sharing PRS (SSPRS), are then designed to address these remaining issues. The SSPRS appears to be particularly well-suited for reducing artifacts caused by convergence differences, non-repeated noise, non-repeatable source locations, and biased starting models. This breadth of robustness does not appear in any of the other approaches tested. Especially given that SSPRS through its sharing incurs half of the time cost of seeking stepsizes compared with the PRS and DDS.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».