NeRSI: Neural implicit representations for 5D seismic data interpolation
Notice bibliographique
Résumé
ABSTRACT Due to challenging field operations and resource constraints, seismic data acquisition often requires coping with missing traces. Interpolation algorithms are crucial for reconstructing these missing traces to enable improved subsurface analysis and interpretation. Although deep learning has made exciting advances in seismic reconstruction, its focus has predominantly been on 2D and 3D data sets with relatively low rates of missing data. Reconstruction of 5D seismic data entails considering simultaneous sources and receivers deployed in areal arrays to solve the reconstruction problem. The latter offers greater data redundancy, which can be leveraged to enhance interpolation quality. Traditional 5D deep-learning interpolation methods rely heavily on synthetic training pairs, posing challenges when applied to real-world data. This necessitates transfer learning techniques, which can be cumbersome. To address this, we introduce a self-supervised, coordinate-based deep interpolation algorithm that mitigates the need for labeled data. Using a multilayer perceptron (MLP) network can effectively encode the continuous seismic 5D wavefield. Once trained, the MLP can infer missing trace amplitudes from their coordinates. We contribute to boosting the MLP, enabling it to generate seismic profiles rather than single-point predictions. This enhancement significantly strengthens the model’s performance and efficiency. Moreover, we apply nuclear norm regularization to the output profiles, improving the reconstruction quality. The effectiveness of our algorithm is illustrated with synthetic and field data experiments.
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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».