Evaluating the utility of gravity gradient tensor components
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
ABSTRACT Gravity gradiometry allows individual components and combinations of components to be used in interpretation. Knowledge of the information content of different components and their combinations is therefore crucial to their effectiveness, and a quantitative rating of information level is needed to guide the choice. To this end, I use linear inverse theory to examine the relationship between the different tensor components and combinations thereof and the model parameters to be determined. The model used is a rectangular prism, characterized by seven parameters: the prism location xc, yc; its width w and breadth b; the density ρ; the depth to top z; and thickness t. Varying these values allows a variety of body shapes, e.g., blocks, plates, dykes, and rods, to be considered. The Jacobian matrix, which relates parameters and their associated gravity response, clarifies the importance and stability of model parameters in the presence of data errors. In general, for single tensor components and combinations, the progression from well to poorly determined parameters follows the trend of ρ, xc, yc, w, b, z, to t. Ranking the estimated model errors from a range of models showed that data sets consisting of concatenated components produced the smallest parameter errors. For data sets comprising combined tensor components, the invariants of the tensor produced the smallest parameter errors. Of the single tensor components, Tzz gave the best performance overall, but those single components with strong directional sensitivity can produce some individual parameters with smaller estimated errors (e.g., w and xc estimated from Txx).
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) | 0,001 | 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