Accurate reconstruction method of virtual shot records in passive source time-lapse monitoring based on SBA network
Notice bibliographique
Résumé
ABSTRACT Passive source imaging can reconstruct body wave reflections similar to those of active sources through seismic interferometry (SI). It has become a low-cost, environmentally friendly alternative to active source seismic, showing great potential. However, this method faces many challenges in practical applications, including uneven distribution of underground sources and complex survey environments. These situations seriously affect the reconstruction quality of virtual shot records, resulting in unguaranteed imaging results and greatly limiting passive source seismic exploration applications. In addition, the quality of the reconstructed records is directly related to the time length of the noise records, but in practice it is often difficult to obtain long-term, high-quality noise segments containing body wave events. To solve the above problems, we propose a deep learning method for reconstructing passive source virtual shot records and apply it to passive source time-lapse monitoring. This method combines the UNet network and the BiLSTM (Bidirectional Long Short-Term Memory) network for extracting spatial features and temporal features respectively. It introduces the spatial attention mechanism to establish a hybrid SUNet-BiLSTM-Attention (SBA) network for supervised training. Through pre-training and fine-tuning training, the network can accurately reconstruct passive source virtual shot records directly from short-time noisy segments containing body wave events. The experimental results of theoretical data show that the virtual shot records reconstructed by the network have high resolution and signal to noise ratio (SNR), providing high-quality data for subsequent monitoring and imaging. Finally, to further validate the effectiveness of proposed method, we applied it to field data collected from gas storage in northwest China. The reconstruction results of field data effectively improve the quality of virtual records and obtain more reliable time-lapse imaging monitoring results, which have significant practical value.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».