Deep-learning viscoelastic seismic inversion for mapping subsea permafrost
Notice bibliographique
Résumé
ABSTRACT Marine seismic surveys can be used to map ice-bearing subsea permafrost on a large scale. However, current seismic processing technologies have limited capacity to image permafrost distribution at depth, mainly due to the low sensitivity of primary reflections and refractions to the velocity inversion found at the base of permafrost. Guided waves and multiples are more sensitive to the velocity variations below the top of permafrost, but they remain challenging to use in physics-based inversion approaches. A deep-learning-based seismic inversion has the potential to improve seismic imaging below the top of permafrost by automatically extracting information from all wave modes. We develop a multi-input neural network (NN) to estimate seismic velocities from marine seismic data. The network is trained on synthetic data generated from the representative distributions of the seismic properties of subsea permafrost. We find that our network can image large velocity contrasts and reversals in depth, typical of subsea permafrost. We use our network to estimate the P- and S-wave velocity and Q-factor models from a seismic line in the Beaufort Sea. The NN indicates highly discontinuous subsea permafrost with variable thickness in the area. Our work shows that deep-learning-based seismic inversion could become a cost-effective technology to map the distribution of subsea permafrost on a large scale and, more generally, high-velocity geologic layers located in shallow waters.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».