Adjoint <i>Q</i> tomography with central-frequency measurements in viscoelastic medium
Notice bibliographique
Résumé
SUMMARY Accurate Q (quality factor) structures can provide important constraints for characterizing subsurface hydrocarbon/water resources in exploration geophysics and interpreting tectonic evolution of the Earth in earthquake seismology. Attenuation effects on seismic amplitudes and phases can be included in forward and inverse modellings by invoking a generalized standard linear solid rheology. Compared to traditional ray-based methods, full-waveform-based adjoint tomography approach, which is based on numerical solutions of the visco-elastodynamic wave equation, has the potential to provide more accurate Q models. However, applications of adjoint Q tomography are impeded by the computational complexity of Q sensitivity kernels and by strong velocity-Q trade-offs. In this study, following the adjoint-state method, we show that the Q (P- and S-wave quality factors QP and QS) sensitivity kernels can be constructed efficiently with adjoint memory strain variables. A novel central-frequency difference misfit function is designed to reduce the trade-off artefacts for adjoint Q tomography. Compared to traditional waveform-difference misfit function, this new central-frequency approach is less sensitive to velocity variations, and thus is expected to produce fewer trade-off uncertainties. The multiparameter Hessian-vector products are calculated to quantify the resolving abilities of different misfit functions. Comparative synthetic inversion examples are provided to verify the advantages of this strategy for adjoint QP and QS tomography. We end with a 3D viscoelastic inversion example designed to simulate a distributed acoustic sensing/vertical seismic profile survey for monitoring of CO2 sequestration.
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) | 0,004 | 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 ».