An accurate and robust multigrid algorithm for 2D forward resistivity modelling
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 We present an adaptation of the full multigrid algorithm in DC resistivity modelling in an effort to increase its accuracy. There is a great difficulty with conventional multigrid solvers in representing the physics of an arbitrary distribution of electrical conductivity on a very coarse grid. In general, conventional rectangular finite‐difference or 5‐point approximations of Poisson's equation cannot represent, at a coarse grid level, the effective anisotropy on a coarse scale which results from fine structure in the model. An exception to this generalization occurs when the principal axes of structural anisotropy are aligned with the coordinate axis. Additional and similarly generated problems arise when a coarse cell is obliged to represent fine structure containing very high conductivity contrasts. We have developed an adaptation of the usual resistive‐network representation of the continuum, which avoids some of these problems, and have compared it with the traditional resistive network currently used. The network adaptation consists of replacing the usual 5‐point Laplacian operator stencil used on the finite‐difference grid with a 9‐point stencil, and the conductivity scalar with a 6‐parameter conductivity parametrization. This parametrization permits representation of arbitrarily orientated anisotropy as well as more complex behaviour related to high conductivity contrasts. The importance of multigrid solvers does not lie in their speed at forward modelling (which is comparable with other methods), but rather in their potential for inverse modelling. Inverse solvers which proceed by refinement of an initially very coarse solution can, in principle, take time only linearly proportional to the number of gridpoints in the final desired model.
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 | 0,001 | 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