Multisource Time-Lapse Elastic Full-Waveform Inversion Using a Target-Oriented Common-Model Strategy
Notice bibliographique
Résumé
Full-waveform inversion (FWI) is a powerful tool for time-lapse seismic analysis, enabling high-resolution imaging of subsurface physical properties to monitor reservoir changes during injection, production, and long-term CO2 storage. However, conventional time-lapse FWI, which relies on a parallel inversion strategy, suffers from significant artifacts due to survey non-repeatability, disrupting convergence consistency between baseline and monitor inversions. Additionally, the high computational cost remains a major challenge. To address these limitations, we propose a novel time-lapse FWI strategy—the target-oriented (TO) common-model strategy (CMS)—which strategically integrates multiple approaches. Our method combines TO FWI, which enhances model convergence in the target region to improve time-lapse accuracy, with CMS, which reduces artifacts by using an optimized starting model to guide baseline and monitor inversions toward similar convergence paths. Additionally, we employ an amplitude-encoding multi-source strategy, significantly reducing computational costs without compromising inversion accuracy. Through extensive elastic tests, we validate the robustness and effectiveness of TO CMS, demonstrating superior performance over both the conventional parallel strategy and standard CMS across various challenging scenarios—including non-repeated source positions, random noise, seawater velocity variations, and biased initial models. Notably, strong noise and seawater velocity variations can significantly impact time-lapse FWI results, highlighting the need for further investigation. Ensuring consistent multi-source parameters in time-lapse FWI can help minimize artifacts.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 ».