Structurally Consistent Elastic Frequency- Controllable Envelope Inversion for P- and S-Wave Velocity Model Building
Notice bibliographique
Résumé
Elastic full waveform inversion (EFWI) is able to simultaneously build multiple subsurface parameters. However, EFWI faces the ill-posed problem and the multi-parameter coupling effects. Building accurate initial P- and S-wave velocity models is crucial for mitigating these issues and ensuring the convergence of EFWI. Yet, limitations of acquisition systems and the different sensitivities of P- and S-waves to wavenumber components pose significant challenges in simultaneously building P- and S-wave velocity models with structural consistency. These issues may result in additional iterations, or in some cases, even non-convergence. Aiming to build accurate long-wavelength velocity models with high structural consistency, a novel structurally consistent elastic frequency controllable envelope inversion (SC-EFCEI) method is proposed in this paper. SC-EFCEI performs multi-scale inversion using elastic frequency-controllable envelope data to build long-wavelength models, and additionally introduces structural constraints between different velocity gradients via automatic differentiation (AD) to enforce consistency between the inverted P- and S-wave velocity models. Numerical experiments on the elastic Overthrust model, modified Marmousi2 model, and Chevron 2014 blind dataset verified the effectiveness of the proposed inversion method. The inverted P- and S-wave velocity models both successfully reveal the large-scale features of the velocity model while exhibiting good structural consistency, which can be used as good initial models for EFWI.
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 | 0,001 | 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 | 0,002 | 0,001 |
| 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 ».