INTELLIGENT MESHING FOR GEOPHYSICAL INVERSE PROBLEMS USING UNSTRUCTURED MESHES
Notice bibliographique
Résumé
Mesh generation to solve geophysical forward problems is a thoroughly studied area that has seen the development of many methods and techniques. In geophysical inverse problems, a priori structured mesh is often used for inversion because the geometry of the underlying subsurface structures is unknown and mesh refinement is applied if needed by the user only after observing the inversion results. We present an intelligent meshing approach for an electrical resistivity tomography inverse problem. This new approach uses the Harris corner and edge detectors that are based on the local autocorrelation function of a signal (Harris and Stephens, 1988). The process optimizes the size of the inverse problem by refining areas where the boundaries of physical structure seems to be important and generates a more appropriate and optimum mesh for the inverse problem. The performance and robustness of the proposed algorithm are determined through a series of tests using 2D ERT modelled data and survey data. Tests on modelled data have demonstrated that the proposed meshing technique can reduce data misfit, produce a better model reconstruction, minimize the size of the inverse problem and reduce computational resource requirement. Tests on survey data from application such as ground water mapping have demonstrated that this new meshing approach produced data fit and inverse solutions that are comparable to conventional meshing and fine meshing techniques while minimizing the size of the inverse problem.
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) | 0,000 | 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 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 ».