A study of fuzzy <i>c</i> -means coupling for joint inversion, using seismic tomography and gravity data test scenarios
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 Joint inversion, the inversion of multiple geophysical data sets containing complementary information about the subsurface, has the potential to significantly improve inversion results by reducing the nonuniqueness of the inverse problem. One of the challenges of joint inversion is deciding how to couple the multiple physical property models. If a coupling approach is used that is inconsistent with the physical truth, then inversion artifacts can occur and may lead to incorrect interpretations. In this paper, we investigated the fuzzy c-means (FCM) clustering approach to provide a lithological coupling of the seismic velocity and density models in joint 2D inversions of first-arrival traveltimes and gravity data. Even though this coupling approach has been used in previous works, recommendations for its effective use have not yet been developed. We conducted a suite of joint inversion tests on synthetic data generated from a geologically realistic model based on magmatic massive sulfide deposits. There is a known relationship between seismic velocity and density for the silicate rocks and sulfide minerals involved; this lithological relationship was used to design a clustered coupling strategy in the joint inversions. The tests we conducted clearly exhibited the benefits of joint inversion using FCM coupling. Our work revealed the effects of including inaccurate a priori physical property information. We also evaluated approaches to assess whether such inaccurate information may have been used.
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