A computational topology-based method for extracting fault surfaces
Notice bibliographique
Résumé
Abstract Fault surface extraction is a crucial step in seismic interpretation, which can help structural interpretation and structural modeling. A key focus of fault surface extraction research is to extract fault surfaces in their entirety as much as possible, rather than just in fault segments, which is more challenging in some complex fault situations. To address this challenge, we develop a fault surface extraction method based on computational topology to extract fault surfaces in their entirety as much as possible from a fault attribute and effectively handle some complex fault situations, such as intersecting faults. From a given seed point on the target fault, we use the idea of regional growth to search for high-confidence points on the target fault, called fault control points, under the constraints of the fault attribute and the calculated fault orientations. Through these fault control points, we extract the fault boundary and process the fault attribute so that only the target fault is included. Furthermore, we use an operation in computational topology called collapse to extract the target fault from the processed fault attribute using the fault boundary as a constraint. By incorporating fault orientation information and using a relatively large search distance during the control point search, our method enables the integration of segmented faults and facilitates the handling of complex fault situations such as intersecting faults. The collapse operation ensures that the extracted fault surfaces align with the fault attribute, correspond to the actual fault locations in seismic data, and enhance fault continuity. In addition, we develop an automatic method for picking seed points to realize the extraction of all the faults in the research data. We test our method on several field data sets and the experimental results demonstrate its effectiveness. In some complex fault situations, such as intersecting faults, our method performs well and indicates a significant improvement over the compared method.
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 ».