Parallel inversion of large-scale airborne time-domain electromagnetic data with multiple OcTree meshes
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
Airborne time-domain electromagnetic surveys are effective tools for mineral exploration and geologic mapping. 3D inversion of airborne electromagnetic data is a challenging computational problem. The size of the surveys and the spatial resolution required to adequately discretize the transmitters and receivers results in very large meshes. Solving the forward problem repeatedly on such a mesh can quickly become impractical. Fortunately, using a single mesh for both the forward and inverse problem for all of the transmitters is not necessary. The forward problem for a single source or a small group of sources can be solved on different meshes, each of which only needs to be locally refined close to the selected transmitters and receivers. Away from the selected transmitters and receivers, the mesh can be coarsened. The forward problem can then be broken into a number of highly parallel problems. Each forward modelling mesh is optimized specifically to the selected transmitters and receivers and has far fewer cells than the fine inversion mesh. Further efficiency can be gained by using stochastic Gauss–Newton methods where a stochastic approximation to the gradient, Hessian or both are used. In this paper, we present new algorithms for airborne data inversion and their implementation using a finite volume discretization on OcTree meshes. We demonstrate our approach on a large-scale synthetic versatile time-domain electromagnetic surveying data set.
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 | 0,001 | 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 | 0,001 | 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 découle