Improving sparse representation with deep learning: A workflow for separating strong background interference
Notice bibliographique
Résumé
ABSTRACT Revealing hidden reservoirs that are severely shielded by strong background interference (SBI) is critical to subsequent refined interpretation. To enhance the characterization of these reservoirs, current interpretation workflows merge multiple attribute information, necessitating intensive human expertise. As an alternative, we regard SBI suppression as a signal separation problem and develop a workflow to suppress SBI by cascading a sparse representation method and deep learning. SBI has coherent morphological characteristics in seismic sections; reservoir seismic responses, such as channels and karst caves, have a narrow spatial distribution, exhibiting abrupt morphological characteristics. As their morphologies differ, we select two 2D sparse representation dictionaries to identify their individual components. Through the morphological component analysis (MCA) technique, we can obtain adequate SBI separation results. However, the MCA separation is inevitably limited because 2D dictionaries cannot adequately represent 3D structures, but 3D dictionaries are not viable due to computing constraints. As an extension, we use 3D deep learning to improve the separation results based on the 2D MCA results. Specifically, the network is fed with training samples from a region with better SBI suppression results obtained by the MCA method. After learning a direct mapping from noisy data to SBI, the network can improve the separation results and remove more SBI than the previous conventional method. Field data experiments demonstrate that our separation workflow successfully enhances reservoir structures after removing SBI.
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 ».