Theoretical development of the differential scattering decomposition for the 3D resistivity experiment
Notice bibliographique
Résumé
ABSTRACT In any numerical solution of the DC resistivity experiment, care must be taken to deal with strong heterogeneity of electrical conductivity. In order to examine the importance of conductivity contrasts, we develop a scattering decomposition of the DC resistivity equation in the sparse differential domain as opposed to the traditional dense integral formulation of scattering‐type equations. We remove the singularity in the differential scattered series via separation of primary and secondary conductivity, thereby avoiding the need to address the singularity in a Green's function. The differential scattering series is observed to diverge for large conductivity contrasts and to converge for small contrasts. We derive a convergence criterion, in terms of matrix norms for the weak‐form finite‐volume equations, that accounts for both the magnitude and distribution of heterogeneity of electrical conductivity. We demonstrate the relationship between the differential scattering series and the Fréchet derivative of the electrical potential with respect to electrical conductivity, and we show how the development may be applied to the inverse problem. For linearization associated with the Fréchet derivative to be valid, the perturbation in electrical conductivity must be small as defined by the convergence of the scattered series. The differential scattering formulation also provides an efficient tool for gaining insight into charge accumulation across contrasts in electrical conductivity, and we present a derivation that equates accumulated surface charge density to the source of scattered potential.
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 | 0,001 | 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 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 ».