Full waveform inversion of blended surface-related multiple orders
Notice bibliographique
Résumé
ABSTRACT Full-waveform inversion (FWI) is capable of handling various wave types, for example, primary reflections, direct waves, diving waves, and multiple reflections. However, FWI often encounters high nonlinearity when the starting velocity model significantly deviates from the true velocity, and the existence of multiples can further worsen this situation. As a result, the objective function may be trapped in a local minimum, causing the inversion process to fail to converge to the global minimum. Constructing an objective function by decomposing multiples into different controlled orders and performing the FWI on multiples with consecutive orders can expedite convergence. However, conducting the FWI using multiples in an order-by-order way may result in high computational cost. This study addressed this challenge by creating virtual sources and supergathers. These supergathers phase-encode many orders of multiples and integrate them into one for FWI, requiring only one FWI for all orders of multiples. By using such a random phase-encoding scheme, crosstalk artifacts arising from interferences between mismatched multiple orders in the source and receiver wavefields can be largely mitigated. The proposed method was validated through numerical experiments with a synthetic data set, as well as using marine field data from Madagascar. The results demonstrate that FWI using phase-encoded multiples significantly improves convergence while maintaining computational efficiency.
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 ».