Imaging of 3D electromagnetic data at low-induction numbers
Notice bibliographique
Résumé
ABSTRACT We expressed electromagnetic measurements at low induction numbers as spatial averages of the subsurface electrical conductivity distribution and developed an algorithm for the recovery of the latter in terms of the former. The basis of our approach is an integral equation whose averaging kernel is independent of the conductivity distribution. That is, the recovery of conductivity from the measurements leads to a linear inverse problem. Previous work in one and two dimensions demonstrated that using a kernel independent of conductivity leads to reasonably good results in quantitative interpretations. This study extended the approach to 3D models and to data taken along several profiles over a given area. The algorithm handles vertical and horizontal magnetic dipoles with multiple separations for appropriate depth discrimination. The approximation also handles issues like negative conductivity measurements, which commonly appear when crossing near-surface conductors. This happens particularly when using vertical magnetic dipoles; whose averaging kernel has significant negative weights in the space between the dipoles, something that does not happen for the horizontal dipoles. In general, the more complex the kernel, the more complicated the signature of any given anomaly. This makes qualitative interpretations of pseudosections somewhat difficult when dealing with more than one conductive or resistive body. The algorithm was validated using synthetic data for imaging data from horizontal or vertical coils or from a combination of them. Imaging of field data from a mine tailings site recovered a shallow 3D conductive anomaly associated with the tailings.
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.
Comment cette classification a été obtenuedéplier
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) | 0,001 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».