Komşuluk Genişliği Dönüşümü (Neighborhood Width Transform, NWT), gürültülü tek boyutlu koherens eğrilerindeki gerçek fiziksel tepeleri yalnız genlik büyüklüğüne göre değil, çevrelerindeki yapısal kararlılığa göre seçen, eğitim verisi gerektirmeyen matematiksel bir tepe-seçim çerçevesidir. Çalışma NWT'yi array acoustic logging verilerinden Slowness Time Coherence (STC) yöntemiyle elde edilen 1B koherens eğrilerinde basınç (P), kayma (S) ve Stoneley (ST) dalgalarının slowness değerlerini otomatik çıkarmak için geliştirmiştir.

Yöntemin temel fikri, gerçek bir tepenin hem solunda hem sağında kendisinden daha yüksek bir değere ulaşılıncaya kadar geniş bir komşuluk üzerinde baskın kalması gerektiğidir. Dar gürültü sivri uçları veya büyük bir tepenin omzundaki yalancı maksimumlar çoğu zaman yalnız bir yönde geniş görünür. NWT bu nedenle sol ve sağ komşuluk genişliklerinin toplamını veya maksimumunu değil, minimumunu kullanır. İlk aşamada bu yapısal ölçü koherens genliği ve slowness telafisiyle birleştirilerek Slowness-Compensated Neighborhood-Width Transform (SCNWT) skoru oluşturulur; ikinci aşamada NWT aynı skor eğrisine yeniden uygulanarak nihai prominence yanıtı elde edilir.

Çalışma Çin'deki bir saha kuyusundan alınan 172,4 m'lik sürekli array acoustic logging aralığında yöntemi değerlendirmiştir. Ayrıntılı test için seçilen dört zor kesitin her birinde 251 örnek noktası, 1 µs/ft slowness çözünürlüğü ve üç hedef dalga modu vardır. Önerilen yöntem dört veri kesitindeki 12 ground-truth tepesinin tamamını tam konumunda bulmuş; SR5, SR10 ve SR15 için %100 başarı, MAE, RMSE ve MRE için sıfır hata raporlanmıştır. Bununla birlikte bu sonuç, yöntemin bütün jeolojik koşullarda kusursuz olduğu anlamına gelmez: mevcut yapı tam üç aktif dalga modu varsayar ve yalnız tek boyutlu koherens eğrileri için geliştirilmiştir.

Neighborhood Width Transform (NWT) Nedir?

Neighborhood Width Transform (NWT), bir aday tepenin yalnız ne kadar yüksek olduğuna değil, kendisinden daha yüksek bir örneğe ulaşılıncaya kadar sol ve sağ yönde ne kadar geniş bir yerel bölgeyi domine ettiğine bakarak tepenin yapısal önemini ölçen, denetimsiz bir tepe-seçim yöntemidir; böylece dar gürültü sivri uçları ve tepe omuzlarındaki yalancı maksimumlar bastırılırken iki yönde de kararlı kalan fiziksel tepeler öne çıkarılır.

Array acoustic logging ve slowness neden önemlidir?

Array acoustic logging, kuyu içindeki çok kanallı akustik ölçümlerden jeolojik formasyon özelliklerini değerlendirmede kullanılan bir yöntemdir. Farklı jeolojik ortamların akustik dalga hızları farklıdır. Slowness, hızın tersidir ve kaynakta stratigrafik ayrım, gaz zonlarının belirlenmesi, porozite hesabı ve formasyon basıncı değerlendirmesi açısından önemli bir büyüklük olarak ele alınmaktadır.

STC yöntemi çok kanallı akustik kayıtlardan geliş zamanı \(\tau\) ile slowness \(s\) eksenlerinde iki boyutlu bir koherens haritası üretir. Fiziksel dalga modları bu haritadaki yerel maksimumlarla ilişkilidir.

Denklem (1): İki boyutlu STC haritası nasıl 1B eğriye dönüşüyor?

\[ \rho(s)=\max_{\tau\in\mathcal{T}}\rho^{*}(\tau,s) \tag{1} \]

\(\rho^{*}(\tau,s)\), geliş zamanı \(\tau\) ve slowness \(s\) için hesaplanan iki boyutlu STC koherens değeridir. \(\mathcal{T}\), ayrık geliş zamanlarının kümesidir. Denklem her \(s\) değeri için zaman eksenindeki en yüksek koherensi seçer ve böylece 2B STC haritasını tek boyutlu \(\rho(s)\) eğrisine projekte eder.

\(\rho(s)\) boyutsuz koherens değerini, \(s\) ise kaynakta µs/ft cinsinden kullanılan slowness koordinatını temsil eder. İdeal durumda P, S ve ST dalgaları birbirinden ayrılmış üç belirgin yerel maksimum oluşturur ve fiziksel sıralama:

\[ s_P<s_S<s_{ST} \]

şeklindedir.

Gerçek kuyu verisinde tepe seçimi neden zorlaşıyor?

• Durağan olmayan gürültü: Gürültü tabanı yükseldiğinde özellikle S dalgasının koherensi P ve ST dalgalarına göre zayıf kalabilir.
• Yalancı yan loblar: STC hesaplamasındaki pencereleme ve girişim yapıları dar fakat yüksek genlikli pseudo-peak'ler üretebilir.
• Manifold deformasyonu: Jeolojik heterojenlik, kuyu çapındaki bozulmalar ve kaya anizotropisi gerçek fiziksel tepeleri genişletebilir, düzleştirebilir veya birden fazla parçaya ayırabilir.

Bu nedenle yalnız “en yüksek üç noktayı seç” mantığı güvenilir değildir. Küçük genlikli gerçek bir S dalgası kaçırılabilir veya çok dar bir gürültü tepeciği fiziksel dalga sanılabilir.

Denklem (2): Sol taraftaki daha yüksek komşu nerede?

\[ l_i=\max\{\,l\mid l<i,\ f_l>f_i\,\} \tag{2} \]

\(f_i=\rho(s_i)\), \(i\). slowness örneğindeki koherens değeridir. \(l_i\), \(i\). adayın solunda kalan ve \(f_i\)'den daha büyük koherense sahip en yakın geçerli sınırı tanımlar. Matematiksel olarak maksimum indeks seçildiği için adayın sol tarafındaki en yakın üstün nokta bulunur.

Denklem (3): Sol komşuluk genişliği

\[ W_L(i)=s_i-s_{l_i+1}. \tag{3} \]

\(W_L(i)\), aday noktanın sol yönde ne kadar uzun bir slowness aralığında baskın kaldığını ölçer. Birimi \(s\) ile aynıdır; çalışmadaki örneklerde µs/ft'dir.

Denklem (4): Sağ taraftaki daha yüksek komşu nerede?

\[ r_i=\min\{\,r\mid r>i,\ f_r>f_i\,\} \tag{4} \]

\(r_i\), adayın sağında \(f_i\)'den daha yüksek koherens değerine sahip en yakın noktayı belirler. Sol tarafta maksimum indeks kullanılırken sağ tarafta minimum indeks kullanılmasının nedeni, iki tarafta da adaya en yakın üstün komşuyu bulmaktır.

Denklem (5): Sağ komşuluk genişliği

\[ W_R(i)=s_{r_i-1}-s_i. \tag{5} \]

\(W_R(i)\), adayın sağ yöndeki yapısal baskınlık aralığıdır ve yine µs/ft birimindedir.

Neden toplama veya maksimum yerine minimum kullanılıyor?

Kaynak üç birleştirme biçimini karşılaştırır:

\[ W_{\mathrm{sum}}(i)=W_L(i)+W_R(i) \]

\[ W_{\mathrm{max}}(i)=\max\{W_L(i),W_R(i)\} \]

\[ W_{\mathrm{min}}(i)=\min\{W_L(i),W_R(i)\}. \]

Büyük bir fiziksel tepenin yükselen veya düşen yamacındaki bir örnek, bir yönde çok geniş bir komşuluk elde ederken diğer yönde neredeyse sıfır genişlik gösterebilir. Toplama veya maksimum bu tek taraflı genişliği fazla ödüllendirebilir. Minimum pooling ise iki tarafın da güçlü olmasını şart koşar.

Denklem (6): Ham Neighborhood Width

\[ W(i)=\min\{W_L(i),W_R(i)\}. \tag{6} \]

Bu denklem NWT'nin çekirdeğidir. Gerçek bir lokal maksimum her iki yönde de daha yüksek bir değere ulaşmadan önce anlamlı bir mesafeyi domine ediyorsa \(W(i)\) büyür. Bir omuz noktası veya dar gürültü sivri ucu yalnız bir tarafta geniş olduğunda küçük olan taraf minimum işlemi tarafından seçilir ve \(W(i)\) küçülür.

Yüksek slowness bölgesindeki yalancı tepeler neden ayrıca cezalandırılıyor?

Pratik uygulamalarda Stoneley dalgasının kesilmemesi için slowness aralığının üst sınırı örneğin 400 µs/ft gibi yüksek bir değere kadar genişletilebilir. Bunun sonucunda dizinin sonunda uzun, görece düz ve fiziksel olarak geçersiz bir bölüm oluşabilir. Bu bölgelerde küçük rastgele çıkıntılar çevrelerinde daha yüksek değer olmadığı için yapay olarak büyük \(W(i)\) kazanabilir.

Kaynak bunun için sabit bir amplitüd eşiği kullanmak yerine konuma bağlı slowness telafisi eklemektedir.

Denklem (7): Slowness-Compensated Neighborhood-Width Transform

\[ S(i) = f(i)\cdot \frac{W(i)}{s_i}\cdot \frac{s_N+s_1}{s_N-s_1}. \tag{7} \]

Denklem üç bilgiyi birleştirir:

• \(f(i)\): adayın koherens/genlik gücü;
• \(W(i)\): adayın iki yönlü yapısal kararlılığı;
• \(1/s_i\): yüksek slowness bölgesindeki geç dönem yalancı tepeleri azaltan telafi;
• \((s_N+s_1)/(s_N-s_1)\): bütün slowness aralığı için kullanılan normalizasyon faktörü.

\(W(i)\) ile \(s_i\) aynı slowness biriminde olduğundan \(W(i)/s_i\) boyutsuzdur. Son normalizasyon faktörü de boyutsuzdur. Koherens \(f(i)\) de boyutsuz olduğundan \(S(i)\) boyutsuz bir birleşik anlamlılık skorudur.

\(1/s_i\) terimi nedeniyle \(s_i\) büyüdükçe, diğer büyüklükler aynı kaldığında skor küçülme eğilimindedir. Bu mekanizma yüksek slowness kuyruğundaki gürültü olaylarının yalnız geniş komşuluğa sahip oldukları için baskın hale gelmesini önlemeyi amaçlar.

Denklem (8): Dizinin ilk yarısı için normalizasyon sınırı

\[ \begin{aligned} \frac{S(i)}{f(i)} &= \frac{s_N+s_1}{s_N-s_1} \frac{W(i)}{s_i}\\ &\leq \frac{s_N+s_1}{s_N-s_1} \frac{W_L(i)}{s_i}\\ &\leq \frac{s_N+s_1}{s_N-s_1} \frac{s_i-s_1}{s_i}\\ &= \frac{s_N+s_1}{s_N-s_1} \left(1-\frac{s_1}{s_i}\right)\\ &\leq \frac{s_N+s_1}{s_N-s_1} \left(1-\frac{2s_1}{s_N+s_1}\right) =1, \qquad i\leq \frac{N}{2}. \end{aligned} \tag{8} \]

Kaynak bu zincirle dizinin ilk yarısında slowness-normalize edilmiş yapısal çarpanın 1'i aşmadığını gösterir. Minimum pooling nedeniyle \(W(i)\leq W_L(i)\) ve sol genişlik en fazla başlangıç sınırına kadar uzanabilir.

Denklem (9): Dizinin ikinci yarısı için normalizasyon sınırı

\[ \begin{aligned} \frac{S(i)}{f(i)} &= \frac{s_N+s_1}{s_N-s_1} \frac{W(i)}{s_i}\\ &\leq \frac{s_N+s_1}{s_N-s_1} \frac{W_R(i)}{s_i}\\ &\leq \frac{s_N+s_1}{s_N-s_1} \frac{s_N-s_i}{s_i}\\ &= \frac{s_N+s_1}{s_N-s_1} \left(\frac{s_N}{s_i}-1\right)\\ &\leq \frac{s_N+s_1}{s_N-s_1} \left( \frac{2s_N}{s_N+s_1}-1 \right) =1, \qquad i>\frac{N}{2}. \end{aligned} \tag{9} \]

İkinci yarıda aynı fikir sağ komşuluk genişliği üzerinden uygulanır. Denklem (8) ve (9) birlikte, kaynak tarafından SCNWT skorunun bütün manifold boyunca dengeli bir duyarlılıkla kullanılmasının matematiksel gerekçesi olarak sunulmaktadır.

İkinci aşama neden gerekli?

İlk aşamadaki \(S(i)\) eğrisi genlik, yapısal komşuluk ve slowness konumunu birlikte değerlendirir. Ancak kaynak ikinci bir yapısal filtre daha uygular: \(S(i)\) artık yeni bir sinyal gibi ele alınır ve NWT tekrar çalıştırılır. Böylece yalnız ilk skoru yüksek olmak değil, ilk skor eğrisi içinde de yapısal olarak baskın olmak gerekir.

Denklem (10): İkinci aşamadaki sol sınır

\[ \mathcal{L}_i = \max \{ \mathcal{L}\mid \mathcal{L}<i,\, S_{\mathcal{L}}>S_i \}. \tag{10} \]

\(\mathcal{L}_i\), combined-significance eğrisinde \(S_i\)'den daha yüksek değere sahip en yakın sol sınırı tanımlar. İlk aşamadaki Denklem (2) koherens \(f\) üzerinde çalışırken Denklem (10) artık dönüştürülmüş \(S\) eğrisi üzerinde çalışır.

Denklem (11): İkinci aşama sol genişliği

\[ \mathcal{W}_{L}(i) = s_i-s_{\mathcal{L}_i+1}. \tag{11} \]

Bu değer ikinci aşamadaki sol yapısal baskınlık mesafesidir.

Denklem (12): İkinci aşama sağ sınırı

\[ \mathcal{R}_i = \min \{ \mathcal{R}\mid \mathcal{R}>i,\, S_{\mathcal{R}}>S_i \}. \tag{12} \]

\(\mathcal{R}_i\), aynı işlemi sağ taraf için gerçekleştirir.

Denklem (13): İkinci aşama sağ genişliği

\[ \mathcal{W}_{R}(i) = s_{\mathcal{R}_i-1}-s_i. \tag{13} \]

Bu büyüklük de µs/ft cinsinden ikinci aşama sağ komşuluk genişliğidir.

Denklem (14): Refined neighborhood width

\[ \mathcal{W}(i) = \min \{ \mathcal{W}_{L}(i), \mathcal{W}_{R}(i) \}. \tag{14} \]

İlk aşamadakiyle aynı minimum-pooling mantığı korunur. Yalnız bir yönde belirgin olan küçük ikincil yapıların prominence kazanması engellenmeye çalışılır.

Denklem (15): Nihai prominence yanıtı

\[ \mathcal{P}(i) = S(i)\cdot \frac{\mathcal{W}(i)} {(s_N-s_1)/2}. \tag{15} \]

\(\mathcal{P}(i)\), nihai tepe-seçim skorudur. Paydaki \(\mathcal{W}(i)\) slowness birimindedir; paydadaki \((s_N-s_1)/2\) de aynı birime sahip olduğundan oran boyutsuzdur. \(S(i)\) zaten boyutsuz olduğu için \(\mathcal{P}(i)\) de boyutsuz kalır.

İkinci aşamada \(1/s_i\) slowness cezası tekrar uygulanmaz. Kaynak bunun iki nedenini verir: yüksek-slowness cezası ilk SCNWT aşamasında zaten uygulanmıştır; ayrıca aynı cezanın tekrar edilmesi doğal olarak en yüksek slowness bölgesinde bulunan Stoneley tepesini gereğinden fazla bastırabilir.

Nihai olarak \(\mathcal{P}(i)>0\) olan adaylar azalan prominence değerine göre sıralanır, en güçlü üç aday alınır ve slowness koordinatları küçükten büyüğe dizilerek P, S ve ST dalgalarına atanır.

Çalışmanın Yöntemi ve Bulguları

Algorithm 1: SCNWT işleminin adım adım mantığı

1. Her \(s_i\) için koherens \(f_i=\rho(s_i)\) alınır.
2. Solda \(f_i\)'yi aşan ilk değer bulunana kadar geri gidilir.
3. \(W_L(i)\) hesaplanır.
4. Sağda \(f_i\)'yi aşan ilk değer bulunana kadar ileri gidilir.
5. \(W_R(i)\) hesaplanır.
6. \(W(i)=\min(W_L,W_R)\) ile iki taraflı yapısal genişlik elde edilir.
7. Denklem (7) uygulanarak slowness-compensated combined-significance \(S(i)\) hesaplanır.
8. İşlem dizideki bütün \(N\) noktaları için tekrarlanır.

Algorithm 2: NWT refinement ve nihai dalga seçimi

1. Algorithm 1'den gelen \(S(i)\) eğrisi yeni giriş sinyali olarak kullanılır.
2. Her noktada ikinci kez sol ve sağ üstün-komşu sınırları aranır.
3. \(\mathcal{W}_L(i)\) ve \(\mathcal{W}_R(i)\) hesaplanır.
4. \(\mathcal{W}(i)\) minimum pooling ile elde edilir.
5. Denklem (15) ile \(\mathcal{P}(i)\) prominence yanıtı hesaplanır.
6. \(\mathcal{P}(i)>0\) adayları azalan skora göre sıralanır.
7. En güçlü üç adayın slowness koordinatları alınır.
8. Koordinatlar artan slowness sırasına göre P, S ve ST olarak atanır.

Saha verisi ve dört zor test kesiti

• Dataset 1: S dalgasının koherensi görece düşüktür.
• Dataset 2: ST dalgasına yakın yapışık yalancı tepeler vardır ve dalga modları arasındaki aralıklar görece büyüktür.
• Dataset 3: S dalgası yakınında yapışık yalancı tepeler ve ST dalgasının sağında belirgin bir yalancı tepe vardır.
• Dataset 4: S ile ST dalgaları arasında belirgin bir yalancı tepe vardır.

Karşılaştırılan yedi yöntem

Random Forest ve 1D U-Net gibi öğrenmeye dayalı baseline'lar gerçek dört test kesitinde yeniden eğitilmemiştir. Kaynak, rastgele çok tepeli Gaussian karışımlarından sentetik bir pre-training seti üretmiş; öğrenilen parametreleri dondurarak bütün gerçek test kesitlerinde aynı biçimde kullanmıştır.

Tepe konumlarının doğrudan karşılaştırılması

Önerilen yöntem dört veri kümesindeki üçer hedef konumun tamamında ground truth ile aynı slowness koordinatını üretmiştir. Bu nedenle aşağıdaki hata metriklerinin tümü bu dört seçilmiş kesit için sıfırdır.

Başarı ve hata metrikleri nasıl hesaplandı?

Success Rate (SR), mutlak tepe-konum hatasının belirli bir sınırın içinde kaldığı tespitlerin yüzdesidir. Çalışma üç sınır kullanır: SR5 için ≤5 µs/ft, SR10 için ≤10 µs/ft ve SR15 için ≤15 µs/ft.

\[ MAE= \frac{1}{K} \sum_{i=1}^{K} \left| p_i^{*}-\hat p_i \right| \]

MAE, tahmin edilen ve gerçek tepe konumları arasındaki mutlak farkların ortalamasıdır. Birimi µs/ft'dir.

\[ RMSE= \sqrt{ \frac{1}{K} \sum_{i=1}^{K} \left( p_i^{*}-\hat p_i \right)^2 } \]

RMSE, büyük lokalizasyon hatalarını karesel terim nedeniyle MAE'den daha güçlü cezalandırır. Birimi yine µs/ft'dir.

\[ MRE= \frac{1}{K} \sum_{i=1}^{K} \frac{ \left|p_i^{*}-\hat p_i\right| }{ p_i^{*} }. \]

MRE, hatayı gerçek slowness değerine oranlar ve kaynak sonuç tablosunda yüzde olarak raporlanır.

Dört veri kümesindeki nicel sonuçlar

NWT'nin SR5 değerinin bile %100 olması, yalnız “yaklaşık doğru” üç dalga bulduğu anlamına gelmez; test edilen dört kesitte bütün hedefler 5 µs/ft sınırının içinde kalmıştır. Tablo 1'e bakıldığında farkın daha da güçlü olduğu görülür: bu seçilmiş dört kesitte bütün 12 tepe tam ground-truth koordinatında bulunmuştur.

Bununla birlikte örnek sayısı ve deney tasarımı önemlidir. Ayrıntılı nicel Tablo 1–2 karşılaştırması dört özellikle zor kesite dayanmaktadır. Bu nedenle sıfır hata sonucu “bütün kuyularda sıfır hata” biçiminde genellenemez.

Sürekli kuyu boyunca gözlenen davranış

Kaynak Şekil 6, yedi baseline ve önerilen yöntemin sürekli logging aralığındaki P, S ve ST takip profillerini görsel olarak karşılaştırmaktadır. Önerilen yöntem kaynak yazarlarının değerlendirmesinde gürültü ve birbirine yakın tepeler altında dalga izlerini daha tutarlı takip ederken, bazı baseline'larda tepe atlamaları ve yalancı seçilen noktalar görülmektedir. Ham derinlik-boyunca iz koordinatları tablo olarak verilmediği için bu Verianla sürümünde Şekil 6'dan sayısal veri okunarak yeni bir grafik oluşturulmamıştır.

Hesaplama hızı

Kaynak, önerilen hafif analitik algoritmanın AMD Ryzen AI 9 H 465 with Radeon 880M, 2.00 GHz üzerinde sinyal başına yaklaşık 0,7 ms çalıştığını raporlamaktadır. NWT için model eğitimi veya etiketli training set gerekli değildir.

Bu süre yalnız kaynakta belirtilen donanım ve uygulama bağlamına aittir. Farklı işlemci, programlama ortamı veya sinyal uzunluklarında aynı süre garanti edilmez.

Çalışmanın desteklediği sonuçlar

• NWT, test edilen dört zor saha kesitindeki P, S ve ST tepe konumlarını ground truth ile tam eşleştirmiştir.
• Minimum-pooling, yalnız bir tarafta geniş görünen tepe omuzlarını ve dar pseudo-peak'leri bastırmak için kaynak tarafından tercih edilmiştir.
• Slowness compensation, genişletilmiş yüksek-slowness kuyruğunda yapay olarak büyük neighborhood width üretebilen gürültüyü azaltmayı amaçlamaktadır.
• İkinci NWT aşaması, combined-significance eğrisinde yapısal olarak baskın adayları yeniden öne çıkarmaktadır.
• Test edilen karşılaştırmada önerilen yöntem yedi baseline'ın tamamından daha yüksek başarı oranı ve daha düşük lokalizasyon hatası üretmiştir.
• Yöntem eğitim verisi gerektirmemektedir ve kaynak donanımında yaklaşık 0,7 ms/sinyal çalışma süresi raporlanmıştır.

Çalışmanın desteklemediği genellemeler ve sınırlılıklar

• Mevcut algoritma tam olarak üç aktif dalga modu \(s_P,s_S,s_{ST}\) bulunduğunu varsayar.
• Çok yumuşak formasyonlarda S dalgası tamamen absorbe olabilir ve yalnız iki gözlenebilir geliş kalabilir; mevcut sabit-K=3 yapı bu duruma doğrudan uyarlanmış değildir.
• Yöntem tek boyutlu koherens eğrileri için geliştirilmiştir; 2B ve 3B peak-picking bu çalışma içinde doğrulanmamıştır.
• Dört zor kesitte elde edilen %100 başarı ve sıfır hata bütün jeolojik ortamlarda aynı sonucu garanti etmez.
• Learning-based baseline'lar sentetik Gaussian-mixture pre-training kullanmıştır; bu karşılaştırmanın eğitim veri rejimi gerçek saha etiketleri üzerinde geniş kapsamlı supervised training değildir.
• Kaynak, yöntemin kütle spektrometrisi, radar ve biyomedikal waveform analizine genişletilebileceğini gelecek çalışma alanı olarak önermektedir; bu uygulamalardaki başarı mevcut makalede deneysel olarak gösterilmemiştir.

Kaynak ve Yöntem Notu

Özgün başlık: Neighborhood Width Transform: A Structural Stability Framework for Peak Selection in Noisy 1D Coherence Curves

Yazarlar: Sicheng Li; Zhaohui Ye.

Sorumlu yazar: Zhaohui Ye.

Kurum: Department of Automation, Tsinghua University, Beijing 100084, China.

Dergi: Mathematics.

Yayınevi: MDPI.

Bibliyografik kayıt: Mathematics 2026, 14(12), 2156.

DOI: 10.3390/math14122156

Gönderim: 20 Mayıs 2026. Revizyon: 4 Haziran 2026. Kabul: 9 Haziran 2026. Yayın: 16 Haziran 2026.

Academic Editor: Davide Valenti.

Kaynak türü: Hakemli araştırma makalesi; matematiksel sinyal işleme, array acoustic logging ve peak-selection yöntemi geliştirme çalışması.

Lisans: Creative Commons Attribution (CC BY).

Finansman: Yazarlar araştırmanın dış finansman almadığını bildirmiştir.

Veri erişilebilirliği: Makalede kullanılan verilerin Zenodo üzerinde açık olarak sunulduğu ve veri DOI'sinin 10.5281/zenodo.20288178 olduğu belirtilmiştir.

Çıkar çatışması: Yazarlar çıkar çatışması olmadığını bildirmiştir.

Yapay zekâ kullanım bildirimi: Yazarlar acknowledgments bölümünde grafik özet ve genel mimari Şekil 3'ün çizimi sırasında ChatGPT image-2 kullandıklarını; çıktıyı kendilerinin inceleyip düzenlediğini ve yayın içeriğinin sorumluluğunu üstlendiklerini bildirmiştir.

Yazar katkıları: Kavramsallaştırma ve metodoloji Sicheng Li ile Zhaohui Ye; yazılım, biçimsel analiz, araştırma, veri kürasyonu, ilk taslak, gözden geçirme/düzenleme ve görselleştirme Sicheng Li; doğrulama Sicheng Li ile Zhaohui Ye; kaynaklar, danışmanlık, proje yönetimi ve finansman edinimi Zhaohui Ye tarafından gerçekleştirilmiştir.

Temel yöntemsel sınır: NWT'nin yayımlanmış mimarisi üç aktif P/S/ST modu ve tek boyutlu STC projection eğrisi varsayımına dayanır. Test edilen dört zor veri kesitindeki kusursuz lokalizasyon sonucu daha farklı jeolojik, cihazsal veya dalga-modu koşullarına otomatik olarak genellenmemelidir.