Geostatistical traveltime tomography in elliptically anisotropic media
Notice bibliographique
Résumé
ABSTRACT In geological materials, anisotropy may arise due to different mechanisms and can be found at different scales. Neglecting anisotropy in traveltime tomographic reconstruction leads to artefacts that can obscure important subsurface features. In this paper, a geostatistical tomography algorithm to invert cross‐hole traveltime data in elliptically anisotropic media is presented. The advantages of geostatistical tomography are that the solution is regularized by the covariance of the model parameters, that known model parameters can be used as constraints and fitted exactly or within a prescribed variance and that stochastic simulations can be performed to appraise the variability of the solution space. The benefits of the algorithm to image anisotropic media are illustrated by two examples using synthetic georadar data and real seismic data. The first example confirms suspected electromagnetic anisotropy in the vadose zone caused by relatively rapid water content variations with respect to wavelength at georadar frequencies. The second presents how sonic log data can be used to constrain the inversion of cross‐well seismic data and how geostatistical simulations can be used to infer parameter uncertainty. Results of both examples show that considering anisotropy yields a better fit to the data at high ray angles and reduces reconstruction artefacts.
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) | 0,001 | 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 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 ».