Uncertainty quantification in elastic full-waveform inversion as a means to access complementary aspects in DAS and accelerometer data
Notice bibliographique
Résumé
Abstract Multiparameter elastic full-waveform inversion (EFWI) is of interest because of its use of a relatively complete physical wave propagation model (in contrast to acoustic FWI) in inversion and because of its potential to deliver high-resolution subsurface estimates that directly support interpretation. For EFWI to be a fully realized technology, uncertainty quantification (UQ) for the inversion results is essential, as it provides a confidence measure for the derived outcomes. Being a data-matching optimization method, type, quality, and coverage of a data set must be expected to impact the accuracy of EFWI results and should be reflected in a robust UQ. The purpose of this paper is to use a particular UQ strategy to explore the impact of data type on the reliability of models generated through FWI. Specifically, we assess whether isolated use of either distributed acoustic sensing (DAS) or accelerometer (AC) data suffices for optimal model determination in CO2 monitoring scenarios, or to what extent combining these data types enhances model accuracy. We carry this out on a well-characterized vertical seismic profile (VSP) data set, the baseline component of the “Snowflake” 4D VSP, which includes broadband sources across diverse offsets and azimuths, illuminating both fiber-optic and densely deployed AC within the well. Our analysis evaluates UQ by extracting the posterior model covariance matrix from the inverse Hessian matrix, subsequent to recurrent neural network-based EFWI runs. This supports the general conclusion that a multisensor strategy supported by DAS is, in the sense of postinversion confidence, optimal for VSP monitoring. Integrated AC and DAS data appear to be particularly important for reducing uncertainties associated with P-wave velocity model recovery.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».