Diffraction denoising using self‐supervised learning
Notice bibliographique
Résumé
Abstract Diffraction wavefield contains valuable information on subsurface composition through velocity extraction and sometimes anisotropy estimation. It can also be used for the delineation of geological features, such as faults, fractures and mineral deposits. Diffraction recognition is, therefore, crucial for improved interpretation of seismic data. To date, many workflows for diffraction denoising, including deep‐learning applications, have been provided, however, with a major focus on sedimentary settings or for ground‐penetrating radar data. In this study, we have developed a workflow for a self‐supervised learning technique, an autoencoder, for diffraction denoising on synthetic seismic, ground‐penetrating radar and hardrock seismic datasets. The autoencoder provides promising results especially for the ground‐penetrating radar data. Depending on the target of the studies, diffraction signals can be tackled using the autoencoder both as the signal and/or noise when, for example, a reflection is a target. The real hardrock seismic data required additional pre‐ and post‐autoencoder image processing steps to improve automatic delineation of the diffraction. Here, we also coupled the autoencoder with Hough transform and pixel edge detection filters. Along inlines and crosslines, diffraction signals have sometimes a similar character as the reflection and may spatially be correlated making the denoising workflow unsuccessful. Coupled with additional image processing steps, we successfully isolated diffraction that is generated from a known volcanogenic massive sulphide deposit. These encouraging results suggest that the self‐supervised learning techniques such as the autoencoder can be used also for seismic mineral exploration purposes and are worthy to be implemented as additional tools for data processing and target detections.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 | 0,001 |
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 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 ».