Robust unsupervised 5D seismic data reconstruction on regular and irregular grids
Notice bibliographique
Résumé
ABSTRACT Seismic data reconstruction has become a central focus in seismic data processing, addressing challenges posed by sparse sampling due to physical and budgetary constraints. The advent of 5D acquisition methodologies marks a significant advancement in the quality and completeness of seismic data sets. Most traditional 5D reconstruction methods commonly use the fast Fourier transform (FFT), requiring regular grids and preliminary 4D binning before 5D interpolation. Discrete Fourier transform and nonequidistant FFT can honor the original irregular coordinates. However, when using exact locations, these methods become computationally expensive. We introduce an unsupervised deep-learning methodology to learn a continuous function across the sampling points in seismic data, facilitating reconstruction on regular and irregular grids. The network comprises a multilayer perceptron with linear layers and element-wise periodic activation functions. It excels at mapping the input coordinates to the corresponding seismic data amplitudes without relying on external training sets. The network’s intrinsic low-frequency bias is crucial in prioritizing acquiring self-similar features over high-frequency and incoherent ones during training. This characteristic mitigates incoherent noise in seismic data, such as random and erratic components. To assess the robustness of the unsupervised reconstruction technique, we conduct comprehensive evaluations using synthetic data examples sampled regularly and irregularly, as well as field-data examples with and without binning. The findings demonstrate the efficacy of our deep-learning framework in achieving resilient and accurate seismic data reconstruction across diverse sampling scenarios.
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 ».