Cooperative joint inversion of 3D seismic and magnetotelluric data: With application in a mineral province
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
ABSTRACT The integration of different geophysical data has the potential to provide more accurate estimate of subsurface rock properties. Several methodologies and attempts have been developed over the years with the objective of reducing exploration risk. We have developed a cooperative joint-inversion approach intended to facilitate recovery of acoustic impedance (AI) using seismic and magnetotelluric (MT) data. In this approach, the MT data provided a pathway for iteratively building large-scale low-frequency information content not directly recoverable from the seismic data themselves. The MT data provided complementary information to seismic, especially in seismically complex terrains such as overthrust belts, subbasalt and subsalt, carbonate reefs or for targets below deep cover containing limestone, concretionary layers, or basalt. On the other hand, the seismic data provided structural information necessary to derive accurate resistivity models from MT inversion and small-scale features during seismic impedance inversion. The connections between resistivity and the elastic property of rocks are obtained from petrophysical relationships derived from available borehole data, or if not available, from empirical relationships. We tested our technique on synthetic and field data. The application of cooperative joint inversion to 3D seismic and MT data sets acquired in a mineral province made it possible to recover AI distribution across a wide range of geologic environments. The resulting rock property images provided a direct link to geology that is exceedingly difficult, if not impossible, to extract from the individual data sets.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle