Коңшулук Туурасынын Трансформациясы (Neighborhood Width Transform, NWT) — ызы-чуулуу бир өлчөмдүү когеренттүүлүк ийри сызыктарындагы чыныгы физикалык чокуларды амплитуданын чоңдугу боюнча гана эмес, алардын айланасындагы түзүмдүк туруктуулук боюнча тандаган, окутуу маалыматтарын талап кылбаган математикалык чоку-тандоо алкагы. Изилдөө NWTни array acoustic logging маалыматтарынан Slowness Time Coherence (STC) ыкмасы менен алынган 1B когеренттүүлүк ийри сызыктарында кысылуу (P), жылышуу (S) жана Stoneley (ST) толкундарынын slowness маанилерин автоматтык түрдө бөлүп алуу үчүн иштеп чыккан.

Ыкманын негизги идеясы — чыныгы чоку өзүнөн жогору маани табылганга чейин сол жана оң жагында кең коңшулук боюнча үстөм бойдон калышы керек. Тар ызы-чуу учтары же чоң чокунун ийининдеги жалган максимумдар көп учурда бир гана багытта кең көрүнөт. Ошондуктан NWT сол жана оң коңшулук туураларынын суммасын же максимумун эмес, минимумун колдонот. Биринчи баскычта бул түзүмдүк өлчөм когеренттүүлүк амплитудасы жана slowness компенсациясы менен бириктирилип Slowness-Compensated Neighborhood-Width Transform (SCNWT) упайы түзүлөт; экинчи баскычта NWT ошол эле упай ийри сызыгына кайра колдонулуп, акыркы prominence жообу алынат.

Изилдөө ыкманы Кытайдагы талаа кудугунан алынган 172,4 m үзгүлтүксүз array acoustic logging аралыгында баалаган. Толук сыноо үчүн тандалган төрт татаал кесиндинин ар биринде 251 үлгү чекити, 1 µs/ft slowness ажыратуусу жана үч максаттуу толкун режими бар. Сунушталган ыкма төрт маалымат кесиндисиндеги 12 ground-truth чокунун баарын так ордунда тапкан; SR5, SR10 жана SR15 үчүн %100 ийгилик, MAE, RMSE жана MRE үчүн нөл ката билдирилген. Бирок бул жыйынтык ыкма бардык геологиялык шарттарда кемчиликсиз дегенди билдирбейт: учурдагы түзүм так үч активдүү толкун режимин болжолдойт жана бир өлчөмдүү когеренттүүлүк ийри сызыктары үчүн гана иштелип чыккан.

Neighborhood Width Transform (NWT) Деген Эмне?

Neighborhood Width Transform (NWT) — талапкер чокунун бийиктигин гана эмес, өзүнөн жогору үлгүгө жеткенге чейин сол жана оң багытта канчалык кең жергиликтүү аймакта үстөм экенин карап, чокунун түзүмдүк маанилүүлүгүн өлчөгөн көзөмөлсүз чоку-тандоо ыкмасы; муну менен тар ызы-чуу учтары жана чоку ийиндериндеги жалган максимумдар басаңдатылып, эки багытта тең туруктуу калган физикалык чокулар алдыга чыгарылат.

Array acoustic logging жана slowness эмне үчүн маанилүү?

Array acoustic logging — кудуктун ичиндеги көп каналдуу акустикалык өлчөөлөрдөн геологиялык формациянын касиеттерин баалоодо колдонулган ыкма. Ар түрдүү геологиялык чөйрөлөрдө акустикалык толкундун ылдамдыгы ар башка болот. Slowness — ылдамдыктын тескери чоңдугу жана булакта стратиграфиялык бөлүү, газ зоналарын аныктоо, көзөнөктүүлүктү эсептөө жана формация басымын баалоо үчүн маанилүү чоңдук катары каралат.

STC ыкмасы көп каналдуу акустикалык жазуулардан келүү убактысы \(\tau\) жана slowness \(s\) окторунда эки өлчөмдүү когеренттүүлүк картасын түзөт. Физикалык толкун режимдери бул картадагы жергиликтүү максимумдар менен байланыштуу.

Теңдеме (1): Эки өлчөмдүү STC картасы кантип 1B ийри сызыкка айланат?

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

\(\rho^{*}(\tau,s)\) — келүү убактысы \(\tau\) жана slowness \(s\) үчүн эсептелген эки өлчөмдүү STC когеренттүүлүк мааниси. \(\mathcal{T}\) — дискреттүү келүү убакыттарынын жыйындысы. Теңдеме ар бир \(s\) мааниси үчүн убакыт огундагы эң жогорку когеренттүүлүктү тандап, 2B STC картасын бир өлчөмдүү \(\rho(s)\) ийри сызыгына проекциялайт.

\(\rho(s)\) өлчөмсүз когеренттүүлүк маанисин, ал эми \(s\) булакта µs/ft бирдигинде колдонулган slowness координатын билдирет. Идеалдуу шартта P, S жана ST толкундары бири-биринен бөлүнгөн үч так жергиликтүү максимум түзөт жана физикалык ирет:

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

түрүндө болот.

Чыныгы кудук маалыматтарында чоку тандоо эмне үчүн татаалдашат?

• Стационардуу эмес ызы-чуу: Ызы-чуу фону жогорулаганда, өзгөчө S толкунунун когеренттүүлүгү P жана ST толкундарына салыштырмалуу алсыз калышы мүмкүн.
• Жалган каптал лобдор: STC эсептөөсүндөгү терезелөө жана интерференция түзүмдөрү тар, бирок жогорку амплитудалуу pseudo-peakтерди жаратышы мүмкүн.
• Manifold деформациясы: Геологиялык гетерогендүүлүк, кудуктун диаметриндеги бузулуулар жана тоо тектеринин анизотропиясы чыныгы физикалык чокуларды кеңейтип, жалпайтып же бир нече бөлүккө ажыратышы мүмкүн.

Ошондуктан “эң бийик үч чекитти танда” деген логика ишенимдүү эмес. Амплитудасы кичине чыныгы S толкуну өткөрүлүп жиберилиши же өтө тар ызы-чуу чокусу физикалык толкун деп кабыл алынышы мүмкүн.

Теңдеме (2): Сол жактагы жогорураак коңшу кайда?

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

\(f_i=\rho(s_i)\) — \(i\)-чи slowness үлгүсүндөгү когеренттүүлүк мааниси. \(l_i\) \(i\)-чи талапкердин сол жагында жайгашкан жана \(f_i\)ден чоң когеренттүүлүккө ээ эң жакын жарактуу чекти аныктайт. Математикалык жактан максималдуу индекс тандалгандыктан, талапкердин сол тарабындагы эң жакын үстөм чекит табылат.

Теңдеме (3): Сол коңшулук туурасы

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

\(W_L(i)\) талапкер чекиттин сол багытта канчалык узун slowness аралыгында үстөм бойдон каларын өлчөйт. Анын бирдиги \(s\) менен бирдей; изилдөөдөгү мисалдарда µs/ft.

Теңдеме (4): Оң жактагы жогорураак коңшу кайда?

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

\(r_i\) талапкердин оң жагында \(f_i\)ден жогорку когеренттүүлүк маанисине ээ эң жакын чекитти аныктайт. Сол тарапта максималдуу индекс, оң тарапта минималдуу индекс колдонулганынын себеби — эки тарапта тең талапкерге эң жакын үстөм коңшуну табуу.

Теңдеме (5): Оң коңшулук туурасы

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

\(W_R(i)\) талапкердин оң багыттагы түзүмдүк үстөмдүк аралыгы жана ал да µs/ft бирдигинде.

Эмне үчүн сумма же максимумдун ордуна минимум колдонулат?

Булак үч бириктирүү формасын салыштырат:

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

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

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

Чоң физикалык чокунун өсүп же төмөндөп жаткан эңишиндеги үлгү бир багытта өтө кең коңшулукка ээ болуп, экинчи багытта дээрлик нөл туураны көрсөтүшү мүмкүн. Сумма же максимум бул бир тараптуу туураны ашыкча сыйлап коюшу мүмкүн. Minimum pooling болсо эки тарап тең күчтүү болушун талап кылат.

Теңдеме (6): Чийки Neighborhood Width

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

Бул теңдеме NWTнин өзөгү. Чыныгы жергиликтүү максимум эки багытта тең жогору маани табылганга чейин олуттуу аралыкта үстөмдүк кылса, \(W(i)\) чоңоёт. Ийин чекити же тар ызы-чуу учу бир тарапта гана кең болсо, minimum операциясы кичине тарапты тандайт жана \(W(i)\) азаят.

Жогорку slowness аймагындагы жалган чокулар эмне үчүн өзүнчө жазаланат?

Практикалык колдонууда Stoneley толкуну кесилип калбашы үчүн slowness аралыгынын жогорку чеги, мисалы, 400 µs/ft сыяктуу чоң мааниге чейин кеңейтилүшү мүмкүн. Натыйжада массивдин аягында узун, салыштырмалуу түз жана физикалык жактан жараксыз бөлүк пайда болушу мүмкүн. Бул аймактардагы майда кокустук томпоктор айланасында жогорураак маани жок болгондуктан жасалма түрдө чоң \(W(i)\) алышы мүмкүн.

Булак мунун үчүн туруктуу амплитуда босогосун колдонуунун ордуна позицияга көз каранды slowness компенсациясын кошот.

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

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

Теңдеме үч маалыматты бириктирет:

• \(f(i)\): талапкердин когеренттүүлүк/амплитуда күчү;
• \(W(i)\): талапкердин эки багыттуу түзүмдүк туруктуулугу;
• \(1/s_i\): жогорку slowness аймагындагы кеч жалган чокуларды азайткан компенсация;
• \((s_N+s_1)/(s_N-s_1)\): бардык slowness аралыгы үчүн колдонулган нормалдаштыруу коэффициенти.

\(W(i)\) менен \(s_i\) бирдей slowness бирдигинде болгондуктан, \(W(i)/s_i\) өлчөмсүз. Акыркы нормалдаштыруу коэффициенти да өлчөмсүз. Когеренттүүлүк \(f(i)\) да өлчөмсүз болгондуктан, \(S(i)\) өлчөмсүз бириккен маанилүүлүк упайы болуп калат.

\(1/s_i\) мүчөсүнөн улам \(s_i\) өскөн сайын, башка чоңдуктар өзгөрбөсө, упай азайууга умтулат. Бул механизм жогорку slowness куйругундагы ызы-чуу окуялары кең коңшулукка ээ болгону үчүн гана үстөм болуп кетишине жол бербөөнү көздөйт.

Теңдеме (8): Массивдин биринчи жарымы үчүн нормалдаштыруу чеги

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

Булак бул тизмек менен массивдин биринчи жарымында slowness-нормалдаштырылган түзүмдүк көбөйткүч 1 санынан ашпасын көрсөтөт. Minimum pooling себептүү \(W(i)\leq W_L(i)\), ал эми сол туура эң көп баштапкы чекке чейин созулушу мүмкүн.

Теңдеме (9): Массивдин экинчи жарымы үчүн нормалдаштыруу чеги

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

Экинчи жарымда ушул эле идея оң коңшулук туурасы аркылуу колдонулат. Теңдеме (8) жана (9) бирге булак тарабынан SCNWT упайын бардык manifold боюнча тең салмакталган сезгичтик менен колдонууга математикалык негиз катары берилет.

Экинчи баскыч эмне үчүн керек?

Биринчи баскычтагы \(S(i)\) ийри сызыгы амплитуданы, түзүмдүк коңшулукту жана slowness ордун бирге баалайт. Бирок булак дагы бир түзүмдүк чыпка колдонот: \(S(i)\) эми жаңы сигнал катары каралып, NWT кайра иштетилет. Ошентип, биринчи упайдын жогору болушу гана эмес, биринчи упай ийри сызыгынын ичинде да түзүмдүк жактан үстөм болуу керек.

Теңдеме (10): Экинчи баскычтагы сол чек

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

\(\mathcal{L}_i\) combined-significance ийри сызыгында \(S_i\)ден жогору мааниге ээ эң жакын сол чекти аныктайт. Биринчи баскычтагы Теңдеме (2) когеренттүүлүк \(f\) үстүндө иштесе, Теңдеме (10) эми өзгөртүлгөн \(S\) ийри сызыгы үстүндө иштейт.

Теңдеме (11): Экинчи баскычтын сол туурасы

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

Бул маани экинчи баскычтагы сол түзүмдүк үстөмдүк аралыгы.

Теңдеме (12): Экинчи баскычтын оң чеги

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

\(\mathcal{R}_i\) ошол эле операцияны оң тарап үчүн аткарат.

Теңдеме (13): Экинчи баскычтын оң туурасы

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

Бул чоңдук да µs/ft бирдигиндеги экинчи баскычтын оң коңшулук туурасы.

Теңдеме (14): Refined neighborhood width

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

Биринчи баскычтагы ошол эле minimum-pooling логикасы сакталат. Бир гана багытта көрүнүктүү болгон майда экинчи даражадагы түзүмдөрдүн prominence алышына жол бербөө көздөлөт.

Теңдеме (15): Акыркы prominence жообу

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

\(\mathcal{P}(i)\) — акыркы чоку-тандоо упайы. Бөлчөктүн алымындагы \(\mathcal{W}(i)\) slowness бирдигинде; бөлүмүндөгү \((s_N-s_1)/2\) да ошол эле бирдикте болгондуктан, катыш өлчөмсүз. \(S(i)\) буга чейин өлчөмсүз болгондуктан, \(\mathcal{P}(i)\) да өлчөмсүз бойдон калат.

Экинчи баскычта \(1/s_i\) slowness жазасы кайра колдонулбайт. Булак мунун эки себебин берет: жогорку-slowness жазасы биринчи SCNWT баскычында колдонулуп бүткөн; мындан тышкары, ошол эле жазаны кайталоо табигый түрдө эң жогорку slowness аймагында жайгашкан Stoneley чокусун ашыкча басышы мүмкүн.

Акырында \(\mathcal{P}(i)>0\) болгон талапкерлер азайган prominence мааниси боюнча иреттелип, эң күчтүү үч талапкер алынат жана slowness координаттары кичинеден чоңго тизилип P, S жана ST толкундарына дайындалат.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Algorithm 1: SCNWT процессинин кадам-кадам логикасы

1. Ар бир \(s_i\) үчүн когеренттүүлүк \(f_i=\rho(s_i)\) алынат.
2. Сол жакта \(f_i\)ден ашкан биринчи маани табылганга чейин артка жылынат.
3. \(W_L(i)\) эсептелет.
4. Оң жакта \(f_i\)ден ашкан биринчи маани табылганга чейин алдыга жылынат.
5. \(W_R(i)\) эсептелет.
6. \(W(i)=\min(W_L,W_R)\) менен эки тараптуу түзүмдүк туура алынат.
7. Теңдеме (7) колдонулуп slowness-compensated combined-significance \(S(i)\) эсептелет.
8. Процесс массивдеги бардык \(N\) чекит үчүн кайталанат.

Algorithm 2: NWT refinement жана акыркы толкун тандоо

1. Algorithm 1 ден алынган \(S(i)\) ийри сызыгы жаңы кирүү сигналы катары колдонулат.
2. Ар бир чекитте экинчи жолу сол жана оң үстөм-коңшу чектери изделет.
3. \(\mathcal{W}_L(i)\) жана \(\mathcal{W}_R(i)\) эсептелет.
4. \(\mathcal{W}(i)\) minimum pooling менен алынат.
5. Теңдеме (15) менен \(\mathcal{P}(i)\) prominence жообу эсептелет.
6. \(\mathcal{P}(i)>0\) талапкерлери азайган упай боюнча иреттелет.
7. Эң күчтүү үч талапкердин slowness координаттары алынат.
8. Координаттар өсүп жаткан slowness ирети боюнча P, S жана ST болуп дайындалат.

Талаа маалыматы жана төрт татаал сыноо кесиндиси

• Dataset 1: S толкунунун когеренттүүлүгү салыштырмалуу төмөн.
• Dataset 2: ST толкунуна жакын жабышкан жалган чокулар бар жана толкун режимдеринин аралыгы салыштырмалуу чоң.
• Dataset 3: S толкунуна жакын жабышкан жалган чокулар жана ST толкунунун оң жагында айкын жалган чоку бар.
• Dataset 4: S менен ST толкундарынын ортосунда айкын жалган чоку бар.

Салыштырылган жети ыкма

Random Forest жана 1D U-Net сыяктуу үйрөнүүгө негизделген baseline моделдер чыныгы төрт сыноо кесиндисинде кайра окутулган эмес. Булак кокустук көп чокулуу Gaussian аралашмаларынан синтетикалык pre-training жыйындысын түзгөн; үйрөнүлгөн параметрлерди тоңдуруп, бардык чыныгы сыноо кесиндилеринде бирдей колдонгон.

Чоку орундарын түз салыштыруу

Сунушталган ыкма төрт маалымат топтомундагы үч максаттуу орундуктун баарында ground truth менен бирдей slowness координатын чыгарган. Ошондуктан төмөнкү ката метрикаларынын баары ушул тандалган төрт кесинди үчүн нөл.

Ийгилик жана ката метрикалары кантип эсептелди?

Success Rate (SR) — абсолюттук чоку-орун катасы белгилүү чек ичинде калган аныктоолордун пайызы. Изилдөө үч чек колдонот: SR5 үчүн ≤5 µs/ft, SR10 үчүн ≤10 µs/ft жана SR15 үчүн ≤15 µs/ft.

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

MAE — болжолдонгон жана чыныгы чоку орундардын ортосундагы абсолюттук айырмалардын орточосу. Бирдиги µs/ft.

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

RMSE квадраттык мүчөнүн айынан чоң локалдаштыруу каталарын MAEге караганда күчтүүрөөк жазалайт. Бирдиги дагы µs/ft.

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

MRE катаны чыныгы slowness маанисине салыштырат жана булактын жыйынтык таблицасында пайыз менен берилет.

Төрт маалымат топтомундагы сандык жыйынтыктар

NWTнин SR5 мааниси да %100 болушу жөн гана “болжол менен туура” үч толкун табылганын билдирбейт; сыналган төрт кесиндиде бардык максаттар 5 µs/ft чегинин ичинде калган. 1-таблицаны караганда айырма андан да күчтүү: ушул тандалган төрт кесиндиде бардык 12 чоку так ground-truth координатында табылган.

Ошентсе да үлгү саны жана эксперимент дизайны маанилүү. Толук сандык Таблица 1–2 салыштыруусу өзгөчө татаал төрт кесиндиге негизделет. Ошондуктан нөл ката жыйынтыгын “бардык кудуктарда нөл ката” деп жалпылоого болбойт.

Үзгүлтүксүз кудук боюнча байкалган жүрүм-турум

Булактагы 6-сүрөт жети baseline жана сунушталган ыкманын үзгүлтүксүз logging аралыгындагы P, S жана ST көзөмөл профилдерин визуалдык салыштырат. Булак авторлорунун баалоосунда сунушталган ыкма ызы-чуу жана бири-бирине жакын чокулар шартында толкун издерин туруктуураак көзөмөлдөгөн, ал эми айрым baseline ыкмаларда чоку секирүүлөрү жана жалган тандалган чекиттер көрүнгөн. Тереңдик боюнча чийки из координаттары таблица түрүндө берилбегендиктен, бул Verianla версиясында 6-сүрөттөн сандык маалымат окулуп жаңы график түзүлгөн эмес.

Эсептөө ылдамдыгы

Булак сунушталган жеңил аналитикалык алгоритм AMD Ryzen AI 9 H 465 with Radeon 880M, 2.00 GHz үстүндө сигнал башына болжол менен 0,7 ms иштегенин билдирет. NWT үчүн модель окутуу же белгиленген training set талап кылынбайт.

Бул убакыт булакта көрсөтүлгөн жабдык жана колдонуу контекстине гана тиешелүү. Башка процессордо, программалоо чөйрөсүндө же сигнал узундугунда ошол эле убакыт кепилденбейт.

Изилдөө колдогон жыйынтыктар

• NWT сыналган төрт татаал талаа кесиндисиндеги P, S жана ST чоку орундарын ground truth менен так дал келтирген.
• Minimum-pooling бир тарапта гана кең көрүнгөн чоку ийиндерин жана тар pseudo-peakтерди басуу үчүн булак тарабынан тандалган.
• Slowness compensation кеңейтилген жогорку-slowness куйругунда жасалма түрдө чоң neighborhood width жарата алган ызы-чууну азайтууну көздөйт.
• Экинчи NWT баскычы combined-significance ийри сызыгында түзүмдүк жактан үстөм талапкерлерди кайра алдыга чыгарат.
• Сыналган салыштырууда сунушталган ыкма жети baseline ыкманын баарынан жогорку ийгилик көрсөткүчүн жана төмөн локалдаштыруу катасын берген.
• Ыкма окутуу маалыматтарын талап кылбайт жана булак жабдыгында болжол менен 0,7 ms/сигнал иштөө убактысы билдирилген.

Изилдөө колдобогон жалпылоолор жана чектөөлөр

• Учурдагы алгоритм так үч активдүү толкун режими \(s_P,s_S,s_{ST}\) бар экенин болжолдойт.
• Өтө жумшак формацияларда S толкуну толугу менен сиңип, эки гана байкалуучу келүү калышы мүмкүн; учурдагы туруктуу-K=3 түзүм бул жагдайга түз ылайыкташтырылган эмес.
• Ыкма бир өлчөмдүү когеренттүүлүк ийри сызыктары үчүн иштелип чыккан; 2B жана 3B peak-picking бул изилдөөдө текшерилген эмес.
• Төрт татаал кесиндиде алынган %100 ийгилик жана нөл ката бардык геологиялык чөйрөлөрдө ошол эле натыйжаны кепилдебейт.
• Learning-based baseline моделдер синтетикалык Gaussian-mixture pre-training колдонгон; бул салыштыруудагы окутуу маалымат режими чыныгы талаа белгилеринде кеңири supervised training эмес.
• Булак ыкманы масс-спектрометрия, радар жана биомедициналык waveform анализине кеңейтүүнү келечектеги изилдөө багыты катары сунуштайт; бул колдонмолордогу ийгилик азыркы макалада эксперименттик түрдө көрсөтүлгөн эмес.

Булак жана Ыкма Жөнүндө Эскертүү

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

Авторлор: Sicheng Li; Zhaohui Ye.

Жооптуу автор: Zhaohui Ye.

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

Журнал: Mathematics.

Басмакана: MDPI.

Библиографиялык жазуу: Mathematics 2026, 14(12), 2156.

DOI: 10.3390/math14122156

Тапшырылган: 20 май 2026. Кайра каралган: 4 июнь 2026. Кабыл алынган: 9 июнь 2026. Жарыяланган: 16 июнь 2026.

Academic Editor: Davide Valenti.

Булак түрү: Рецензияланган изилдөө макаласы; математикалык сигнал иштетүү, array acoustic logging жана peak-selection ыкмасын иштеп чыгуу.

Лицензия: Creative Commons Attribution (CC BY).

Каржылоо: Авторлор изилдөө тышкы каржылоо албаганын билдиришкен.

Маалыматтардын жеткиликтүүлүгү: Макалада колдонулган маалыматтар Zenodoдо ачык берилгени жана маалымат DOIси 10.5281/zenodo.20288178 экени көрсөтүлгөн.

Кызыкчылыктардын кагылышы: Авторлор кызыкчылыктардын кагылышы жок экенин билдиришкен.

Жасалма интеллект колдонуу билдирүүсү: Авторлор acknowledgments бөлүмүндө графикалык резюме жана жалпы архитектура 3-сүрөттү тартууда ChatGPT image-2 колдонушканын; натыйжаны өздөрү карап чыгып түзөткөнүн жана басылманын мазмуну үчүн жоопкерчиликти өздөрү аларын билдиришкен.

Автордук салымдар: Концептуалдаштыруу жана методология Sicheng Li жана Zhaohui Ye; программалык камсыздоо, формалдуу талдоо, изилдөө, маалыматтарды курациялоо, баштапкы долбоор, карап чыгуу/түзөтүү жана визуалдаштыруу Sicheng Li; валидация Sicheng Li жана Zhaohui Ye; ресурстар, жетекчилик, долбоорду башкаруу жана каржылоону алуу Zhaohui Ye тарабынан аткарылган.

Негизги ыкмалык чек: NWTнин жарыяланган архитектурасы үч активдүү P/S/ST режими жана бир өлчөмдүү STC projection ийри сызыгы деген божомолго негизделет. Сыналган төрт татаал маалымат кесиндисиндеги кемчиликсиз локалдаштыруу натыйжасы башка геологиялык, аспаптык же толкун-режими шарттарына автоматтык түрдө жалпыланбашы керек.