APPLICATION OF 3D CSAMT INVERSION TO VARIOUS DATA COMPONENTS AND ITS ENHANCEMENT
Notice bibliographique
Résumé
We have developed 3D inversion algorithms for CSAMT data incorporating a constrained trust-region technique. It is a quasi-Newton method with a fast convergence rate. The inversion can invert, separately or jointly, the electric field, magnetic field and impedance data. There are advantages to this flexibility of inverting such combinations of data components. Inverting certain data components can provide additional insight into the information inherent in the data. It is of importance to select reliable data components to utilize in the inversion. The data selection may involve checking the noise level of each data component and the consistency of electric field and magnetic field, verifying the reliability of impedance data, and choosing frequencies to utilize. We create a synthetic survey and the data are contaminated with various levels of Gaussian random noise. We compare the results of inverting various data components and address importance of selecting appropriate components. A field data case study is presented as well. We also have investigated the possibility of enhancing inversion resolution in a situation where the strike and the dip of the structures is reasonably well known. For such cases, we have experimented with an inversion grids in which the grid cells have a prescribed strike and dip then invert for a conductivity distribution within the dipping grid. Our results appear to demonstrate that incorporating the strike and dip into an inversion significantly improve the resolution of the recovered model at depth. Thus, pointing to another aspect for inversion into research applications separate from the inversion techniques, constraining parameters or the accuracy of the forward simulations.
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) | 0,000 | 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 ».