Zobrazeno 1 - 10
of 198
pro vyhledávání: '"multi-attribute analysis"'
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Publikováno v:
IEEE Access, Vol 9, Pp 85543-85555 (2021)
This paper proposes a non-weighted maximal approach of multi-attribute risk assessment for production accidents, which comes from the Chinese practice of risk management rather than the theoretical weighted multi-attribute approach. The existing lite
Externí odkaz:
https://doaj.org/article/ceed6b7bb6c14616be2694cb6f847b12
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Publikováno v:
Remote Sensing, Vol 14, Iss 21, p 5428 (2022)
Normal moveout (NMO)-based velocity analysis can provide macro velocity models for prestack data processing and seismic attribute inversion. Datasets with an increasing size require conventional velocity analysis to be transformed to a more automatic
Externí odkaz:
https://doaj.org/article/4a159c0aca5742a5a6a263979e499f22
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Publikováno v:
Journal of Petroleum Exploration and Production Technology, Vol 9, Iss 3, Pp 1907-1918 (2018)
Abstract Seismic inversion involves extracting qualitative as well as quantitative information from seismic reflection data that can be analyzed to enhance geological and geophysical interpretation which is more subtle in a traditional seismic data i
Externí odkaz:
https://doaj.org/article/1f065b2a605544159ce8ac012aac8f74
Autor:
Elistia Liza Namigo
Publikováno v:
Journal of Physics: Theories and Applications, Vol 1, Iss 1, Pp 70-74 (2017)
Fault detection technique using neural networks have been successfully applied to a seismic data volume. This technique is basically creating a volume that highlights faults by combining the information from several fault indicators attributes (i.e.
Externí odkaz:
https://doaj.org/article/4c95b45223a24ee79266c498507d7b21