Simultaneous waveform inversion of seismic-while-drilling data for P-wave velocity, density, and source parameters
Notice bibliographique
Résumé
ABSTRACT Full-waveform inversion (FWI), as an optimization-based approach to estimating subsurface models, is limited by incomplete acquisition and illumination of the subsurface. The incorporation of additional data from new and independent raypaths should be expected to result in significant increase in the accuracy of FWI models. In principle, seismic-while-drilling (SWD) technology can supply these additional raypaths; however, it introduces a new suite of unknowns, namely precise source locations (i.e., drilling path), source signature, and radiation characteristics. A new FWI algorithm is formulated in which the source radiation patterns and positions join the velocity and density values of the grid cells as unknowns to be determined. Several numerical inversion experiments are then conducted with different source settings using a synthetic model. The SWD sources are supplemented by explosive sources and multicomponent receivers at the surface, simulating a conventional surface acquisition geometry. The subsurface model and SWD source properties are recovered and analyzed. The analysis is suggestive that SWD involvement can enhance the accuracy of FWI models, with varying degrees of enhancement depending on factors such as trajectory inclination, source density, and drill path extension. The impact of SWD-FWI over standard FWI is reduced when low-frequency data are missing, but improvements over the models constructed with no subsurface sources remain. This formulation permits general source information, such as position and moment tensor components, to be independently obtained. This inversion scheme may lead to a range of potential applications for which medium properties and source information are required.
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) | 0,000 | 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 ».