Ground motion through geophones and MEMS accelerometers: Sensor comparison in theory, modeling, and field data
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
Digital sensors based on micro electro mechanical systems (MEMS) accelerometers are one of the newest technologies being used in seismic acquisition. As such, some confusion remains surrounding similarities and differences relative to the coil‐over‐magnet geophone. An understanding of the functioning of these sensors and how to compare them can be facilitated by deriving transfer functions, which relate the data acquired through each sensor to actual ground motion. An equation is then derived to calculate acceleration comparable to unprocessed MEMS data from unprocessed geophone data. The inverse of this equation may be used to calculate geophone data from MEMS data. The effects of sensors on zero and minimum phase wavelets are modeled, demonstrating that the raw output from the sensors should be similar. The minimum phase wavelets are convolved with a random reflectivity series to test deconvolution of impulsive source data. Deconvolution produces geophone and MEMS processed traces that appear similar, and constant phase rotation of MEMS data after deconvolution cannot correct all remaining differences. The geophone‐to‐MEMS transfer equation will exactly transfer between sensors only in the absence of instrument noise. Comparisons between MEMS and geophones recording the same shots, and ground motion domains calculated from those records, show that the data is very similar in frequency content when the same domain is considered, and MEMS records will not necessarily have a larger magnitude contribution from low frequencies than geophones.
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