Surface-related multiple attenuation based on a self-supervised deep neural network with local wavefield characteristics
Notice bibliographique
Résumé
ABSTRACT Multiple suppression is a very important step in seismic data processing. To suppress surface-related multiples, we develop a self-supervised deep neural network method based on a local wavefield characteristic loss function (SDNN-LWCLF). The first and second input data and the output data of the self-supervised deep neural network (SDNN) are the predicted surface-related multiples, the full-wavefield data, and the estimated true surface-related multiples, respectively. The role of the SDNN is to replace the convolutional filter part of adaptive subtraction. Although there are differences in amplitudes and phases between the predicted and true surface-related multiples, the predicted surface-related multiples correspond kinematically to the true surface-related multiples and can be mapped to the estimated true surface-related multiples by the SDNN. The SDNN-LWCLF uses a local wavefield characteristic (LWC) loss function with physical properties to constrain the nonlinear optimization process. The LWC loss function is composed of the mean-absolute-error (MAE) and local normalized crosscorrelation (LNCC) loss functions. LNCC can measure the local similarity between the estimated multiples and the estimated primaries. By minimizing the LWC loss function, the MAE loss function corrects amplitudes and phases of the predicted surface-related multiples to their true values, and the LNCC loss function automatically checks and reduces the leaked multiples and residual primaries in the estimated true surface-related multiples. Our SDNN-LWCLF method does not need label data, such as true primaries and true surface-related multiples, which are usually unavailable in real-world applications. Therefore, the SDNN-LWCLF solves the problem of missing training data. Synthetic and field data examples demonstrate that our method can well suppress the surface-related multiples, and its suppression effect is better than the traditional L1-norm adaptive subtraction method and the SDNN method based on only the MAE loss function.
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 | 0,000 | 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) | 0,000 | 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 ».