From shallow to deep: Enhancing seismic resolution with weak supervision
Notice bibliographique
Résumé
ABSTRACT High-resolution (HR) seismic data are crucial for accurately identifying subsurface geologic formations and reservoir properties. However, as widely observed in prestack and poststack data, seismic wave attenuation often leads to a gradual decrease in resolution with depth. This degradation leads to resolution differences between data from shallow and deep layers, characterized by high-frequency energy loss in deeper target layers. The latter could complicate the extraction of crucial deep-layer structure information, leading to increased uncertainty in reservoir modeling and significant economic losses due to our inability to image deep targets with sufficient resolution. Traditional methods with simplified assumptions about this nonlinear attenuation hinder modeling geologic complexity and variability. Deep-learning methods excel at capturing complex, nonlinear relationships but often rely heavily on scarce and costly paired labels for supervised learning. As a result, deep learning without requiring paired labels for seismic resolution enhancement has become a key research focus. This study explores a method to enhance 3D seismic data resolution using weakly supervised learning, leveraging the inherent similarity of sedimentary structures across depths. Specifically, our approach uses a relatively shallow, HR data window to transfer and extrapolate learned high-frequency information to a deeper window containing attenuated responses from deeper layers. Thereby, we achieve enhanced resolution in the target region. A tailored 3D convolutional neural network with a bidirectional cycle structure, custom-designed loss functions, and data preprocessing techniques specifically addresses the challenge of resolution differences caused by seismic wave attenuation. The effectiveness of our method is validated with synthetic and real 3D poststack migration data, demonstrating its robustness for regions near the target layer. Compared with conventional spectral whitening, our approach leverages intrinsic data characteristics more adaptively and robustly, making geologic structures more discernible.
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 ».