MétaCan
Menu
Retour à la cohorte
Enregistrement W4310384220 · doi:10.1190/geo2022-0094.1

Stepsize sharing in time-lapse full-waveform inversion

2022· article· en· W4310384220 sur OpenAlexafffund
Xin Fu, K. A. Innanen

Notice bibliographique

RevueGeophysics · 2022
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueSeismic Imaging and Inversion Techniques
Établissements canadiensUniversity of Calgary
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésInversion (geology)Computer scienceAlgorithmGeologySeismology

Résumé

récupéré en direct d'OpenAlex

ABSTRACT 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 time-lapse FWI strategies include the parallel strategy (PRS), the sequential strategy, the double-difference strategy (DDS), the common-model strategy (CMS), and the central-difference strategy (CDS). PRS time-lapse inversion is affected by convergence differences between the baseline and monitoring inversions, as well as nonrepeatable noise and nonrepeatable 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. Two strategies, which we refer to as stepsize-sharing PRS (SSPRS) and stepsize-sharing CMS, are then designed to address these remaining issues. In this paper, we have tested our methods in five scenarios, including noise-free data, nonrepeated noises, nonrepeatable source positions, biased starting models, and a combination of the latter three. The comparisons between the SSPRS and other strategies indicate that the SSPRS can adapt to all tested scenarios well. Especially, except for the DDS which is extremely sensitive to the nonrepeatable source positions, only the SSPRS can provide meaningful results in the latter two scenarios when compared with others. Furthermore, given that SSPRS through its sharing incurs half of the time cost of seeking stepsizes compared with the PRS and DDS, the total computational cost of SSPRS is less than half of that of the CMS and CDS.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,692
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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.

Tête enseignante Opus0,011
Tête enseignante GPT0,194
Écart entre enseignants0,183 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations12
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueGeophysicsMême sujetSeismic Imaging and Inversion TechniquesTravaux en français237 207