Least-squares reverse time migration with shifted total variation regularization
Notice bibliographique
Résumé
ABSTRACT Reverse time migration (RTM), as a state-of-the-art imaging technique, provides outstanding imaging capabilities due to its use of a full wave equation. Least-squares RTM (LSRTM) seeks the solution of a linearized wave equation via the minimization of a data misfit term; however, the quality of the results decreases when the assumptions of the method are not satisfied. This occurs, for example, when we use an erroneous velocity model or inadequate physics for inverting the data. In such cases, appropriate regularization is required to mitigate these shortcomings and stabilize the LSRTM solution. However, even for structurally simple earth models, the reflectivity images are complicated and may not be explained properly by particular regularization methods such as the Tikhonov, total variation (TV), or sparse regularization. Reflectivity images can be thought of as the difference between two structurally simpler components: a piecewise-constant component (the true squared slowness) and a smooth component (the background model). We have used a combined Tikhonov-TV regularizer to regularize these components separately, leading to an effective regularization for the reflectivity image. Because the background model is known in advance, this combined regularization reduces to a shifted TV regularization for which the associated optimization problem is solved efficiently using a new implementation of the Bregmanized operator splitting algorithm applied to the shifted TV method and the usual TV method. We determine the performance of our method with a set of numerical examples. The results confirm that our shifted regularization increases the robustness of LSRTM and allows us to estimate high-quality reflectivity images and properly update the background velocity model.
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 ».