Depth estimating Full Tensor Gravity data with the Adaptive Tilt Angle method
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
SummaryDepth estimation procedures for potential field data are well recognised techniques. Both Euler and Werner methodologies are typically used as a series of automated steps and applied to both gridded and profile data. The Tilt Derivative Depth method works on gridded data and has been used extensively on magnetic data. Its advantage is its ability to produce a focused set of solutions and is now being commonly adopted for potential field data.This paper describes an Adaptive Tilt Angle method for depth estimating Full Tensor Gravity data. The method is an adaptation of the Tilt Derivative depth estimation procedure adopted for magnetic data.The procedure works on 4 of the independently measured Tensor components and produces sets of solutions that are more easily interpreted. The tilt angle method is defined as a ratio of the Tensor components in each of the X, Y and Z directions and assumes a vertical contact geological setting. The implementation of a scaling factor allows the technique to work on horizontal contacts. The scaling factor is essentially similar to the concept of a Structural Index as used with Euler depth estimation methods.The technique was tested successfully on an Air-FTG® survey data set over a shallow salt feature onshore USA and is now being routinely deployed. The benefits of the direct depth estimation technique are immense in that it not only provides constraint on other interpretative processing techniques, but quickly establishes a starting depth model for any detailed forward/inverse modelling exercises.
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 | 0,001 | 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 | 0,001 |
| Science ouverte | 0,001 | 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