Enhanced Hardrock Seismic Imaging Through Multi‐Scale Information‐Guided Unsupervised Learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract In hardrock or crystalline rock geological settings, due to low impedance contrast, reflected energy is usually weak. In addition, often stronger surface waves and noncoherent noise are observed including high‐frequency scattering noise, which seriously covers the useful reflection signal. Therefore, imaging of hardrock seismic data with a low signal‐to‐noise ratio (S/N) is challenging and requires tailored and cumbersome processing workflows. In this study, we propose an unsupervised learning‐based framework with frequency‐guided constraints for pre‐stack seismic data denoising. The proposed label‐free framework contains two input channels, noisy and time‐frequency‐domain data conditioned through a continuous wavelet transform (CWT) filter. The CWT filtered data provide richer feature representations guiding better the reconstruction of seismic signals. The proposed framework consists of several feature attention blocks with the soft attention mechanism to extract the spatial relationship between noisy and CWT filtered data and assign higher weights to significant features. To improve the denoising performance, we designed a hybrid loss function containing the log‐cosh function, amplitude‐weighted constraint, and frequency‐dynamic weighted constraint. We use one synthetic and two real pre‐stack seismic data sets from two mineral‐endowed regions in Sweden and Canada to test the effectiveness of the proposed network. Compared with the three benchmarks, our proposed framework shows stronger reflection signal recovery and is capable of better attenuating the complex noise. The proposed denoising workflow allows improved delineation of near‐surface structures and the mineral deposits targeted in one of the data sets.
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.
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 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle