Wave Equation Travel Time Tomography for High-Resolution Near-Surface Survey
Notice bibliographique
Résumé
Summary Wave Equation Traveltime Tomography (WETT) is a promising method for high-resolution near-surface seismic imaging, addressing limitations of conventional ray-based methods like First Arrival Traveltime Tomography (FATT). By leveraging the full wavefield, WETT enhances resolution and robustness, making it a practical alternative to Full Waveform Inversion (FWI) for near-surface studies. Using the GPU-enabled Deepwave framework, this study implemented WETT and applied it to a seismic survey conducted at the Teil site in France, characterized by complex geological features including a fault zone. The initial velocity model was derived from first breaks using deep learning and refined through WETT. The resulting tomogram demonstrated sharper contrasts and improved resolution of lateral velocity variations and fault zones compared to FATT. The computational requirements were manageable, with a total runtime of 2.5 hours for 10 iterations on a single GPU, highlighting the practicality of WETT for dense surveys. WETT showed fast convergence and robustness, providing a straightforward path to high-quality velocity models, which can be further refined using FWI. Future work aims to incorporate surface wave dispersion for joint P- and S-wave inversion and extend the framework to advanced solvers for elastic and viscoelastic wavefield modeling, enabling broader applicability to 2D and 3D problems.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».