Seismic-Q Compensation by Iterative Time-Domain Deconvolution
Notice bibliographique
Résumé
Attenuation is often significant during seismic wave propagation in the subsurface, leading to the reduced resolution and narrower bandwidth of seismic images. Traditional corrections for such effects are inverse-Q filtering and deconvolution, which require a high signal-to-noise ratio (SNR) to avoid noise boost-up. Here, we propose a time-domain method offering advantages in the resolution and interpretational quality of the resulting images. Similar to wavelet transforms, the iterative time-domain deconvolution (ITD) represents the seismogram by a superposition of non-stationary source wavelets modeled in the appropriate attenuation model. Arbitrary frequency-dependent Q and velocity dispersion laws can be used and non-Q type attenuation can be caused by focusing, defocusing, scattering, effects of fine layering, and fluctuations of the wavefield. Compared to inverse-Q filtering and some deconvolution methods, the method does not boost high-frequency noise and is less sensitive to the accuracy of the Q model. We illustrate and compare this method to inverse-Q filtering by using several synthetic and real data examples. The tests include noise-contaminated data, inaccurate Q models, and variable source wavelets. The examples show that the ITD is a practical and effective tool for Q-compensation with a broad scope of potential applications, albeit with some defects. An important benefit of ITD that other methods may not possess could be the ability to utilize geological information, such as locations and sparseness of major reflectors or the presence of interpreted Q contrasts, which might be able to further improve the performance of ITD.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,002 | 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 ».