Esta pasta contém scripts que podem ser utilizados para geração do modelo direto utilizando o software Devito.
Abaixo apresento 3 shots gerados a partir do respectivo código, onde apresentamos os shots gerados a partir de fontes localizadas a 100, 1500 e 2900 metros de distância.
Todos os shots foram gerados com o auxílio do devito na versão 4.0, é possível realizar a instalação do mesmo pelo link [https://www.devitoproject.org/]. Também possuo um conteiner com a distribuição utilizada nesse projeto disponível no dockerHub conforme o link [https://hub.docker.com/r/jmtargino/devito].
Utilizando o comando "docker pull jmtargino/devito" você pode utilizar a distribuição a distribuição mais conveniente para o seu uso.
Um exemplo de um modelo de velocidade utilizado para gerar os shots pode ser visualizado logo abaixo, o mesmo apresenta as dimensões (201,301)
Como executamos todos os nossos experimentos em um servidor, o software utilizado no mesmo para submissão de jobs é chamado Slurm. Logo, nessa pasta temos o arquivo main.sh
que é responsável por estabelecer a versão paralela desse código, assim como também estabelecer as diretrizes de submissão do job de acordo com o nó mais apropriado para tal tipo de aplicação.
Enquanto o arquivo main_shot.py
contém o Script de execução do modelo no devito.
Logo temos o seguinte fluxo:
1 - Leitura do modelo de velocidade (201,301)
2 - Aplicação do respectivo modelo de velocidade no devito e obtenção do modelo direto.
3 - Após a obtenção dos shotRecords com dimensão (2000,29), todos os conjuntos de shots são salvos na pasta georec/.
Dentro dessa pasta também dispomos de um código que pode ser utilizado para adição de borda, entretanto, não o utilizamos, visto que o devito nos fornece um parâmetro chamado sponge_size
que é responsável por adicionar a borda no modelo de velocidade.
- Caso você queira utilizar nosso método de adição de borda ao modelo de velocidade, utilize o código presente em olds/HamJacobi/. Tal código também pode ser encontrado no github [https://github.com/krober10nd/HamJacobi].
Para estes experimentos nós estamos utilizando o python na versão 3.8
Após isso, siga os passos abaixo:
pip install virtualenv
virtualenv -p python3 venv-devito
source venv-devito/bin/activate
cd venv-devito/
pip install -r requirements.txt