Regularized focusing inversion of 3‐D gravity tensor data
Notice bibliographique
Résumé
PreviousNext No AccessSEG Technical Program Expanded Abstracts 2002Regularized focusing inversion of 3‐D gravity tensor dataAuthors: Michael S. ZhdanovRobert G. EllisSouvik MukherjeeDmitriy PavlovMichael S. ZhdanovUniversity of Utah, Department of Geology and Geophysics, Salt Lake City, UT 84112, Robert G. EllisBHP Billiton World Exploration Inc. 1111 West Georgia Street, Suite 1400, Vancouver, BC, Canada, V6E 4M3, Souvik MukherjeeUniversity of Utah, Department of Geology and Geophysics, Salt Lake City, UT 84112, and Dmitriy PavlovUniversity of Utah, Department of Geology and Geophysics, Salt Lake City, UT 84112https://doi.org/10.1190/1.1817366 SectionsAboutPDF/ePub ToolsAdd to favoritesDownload CitationsTrack CitationsPermissions ShareFacebookTwitterLinked InRedditEmail Permalink: https://doi.org/10.1190/1.1817366FiguresReferencesRelatedDetailsCited ByThree‐dimensional regularized focusing inversion of gravity gradient tensor component dataMichael S. Zhdanov, Robert Ellis, and Souvik Mukherjee28 July 2004 | GEOPHYSICS, Vol. 69, No. 4 SEG Technical Program Expanded Abstracts 2002ISSN (print):1052-3812 ISSN (online):1949-4645Copyright: 2002 Pages: 2478 publication data© 2002 Copyright © 2002 Society of Exploration GeophysicistsPublisher:Society of Exploration Geophysicists HistoryPublished: 03 Jan 2005 CITATION INFORMATION Michael S. Zhdanov, Robert G. Ellis, Souvik Mukherjee, and Dmitriy Pavlov, (2002), "Regularized focusing inversion of 3‐D gravity tensor data," SEG Technical Program Expanded Abstracts : 751-754. https://doi.org/10.1190/1.1817366 Plain-Language Summary PDF DownloadLoading ...
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 | 0,000 | 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) | 0,004 | 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 ».