Improving the Image: 5D Interpolation and COV Gathering of a MegaBin ™ Survey
Notice bibliographique
Résumé
Using new processing technologies, it has become possible to improve the images and usefulness of MegaBin ™ 3D seismic surveys shot in areas of limited structure such as the Western Canadian Sedimentary Basin (WCSB). Two technologies are examined here: 5D interpolation and pre-stack time migration (PreSTM) of Common Offset Vectors (COV’s). MegaBin surveys are designed to be interpolated. The new 5D interpolation method allows the interpolation of these surveys pre-stack, preserving azimuthal and offset amplitude variations. Thus it is a natural extension to the MegaBin processing workflow. This technology is tested on a well-shot 3D seismic survey from the WCSB, where the data can be decimated to produce a MegaBin geometry. These decimated data are then interpolated and compared to the original data, both post-stack and pre-stack. COV’s are natural tools that allow the maintenance of azimuth and offset information through migration. They are used on wide-azimuth surveys, such as a MegaBin, in order to retain the azimuth and offset information for later azimuthal analysis, such as seismic fracture detection. The migration of COV’s is tested on this dataset to make certain that this technology, especially when combined with 5D interpolation, produces images that are comparable to those generated by conventional PreSTM.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,003 |
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 ».