Modeling Variable-Stress Distribution with the Stochastic Finite-Fault Technique
Notice bibliographique
Résumé
Abstract The stochastic finite-fault ground-motion modeling technique is modified to simulate the effects of a variable-stress parameter on the fault. The radiated source spectrum of each subsource that comprises the fault plane is multiplied by a correction spectrum that leaves the low-frequency portion of the spectrum intact and multiplies the high-frequency end of the spectrum by a constant proportional to the stress parameter of each subfault raised to the power of 2/3; this scaling behavior follows from the Brune source model. The modification causes the response spectra and time series of simulated traces to be sensitive to the stress parameter distribution on the fault surface. The approach is implemented using an inversion tool that effectively inverts observed response spectral data to derive the stress parameter distribution on the fault surface. It applies the Levenberg–Marquardt nonlinear inversion method to minimize differences of average (log) response spectra ordinates at high frequencies between observations and simulations at all stations. We perform a number of experiments to study the effects of fault-dip angle, iterations per station, initial guess of the stress distribution, and station distribution on the capabilities of the inversion tool. We also evaluate the ability of the inversion tool to resolve the relative stress parameters of multiple asperities. Application of the inversion tool to the data of the M 6 2004 Parkfield earthquake indicates that an asperity with a high stress parameter is located in the southeast end of the fault, at a depth greater than 4 km; another asperity is located in the center of the fault, but with a lower stress parameter. This distribution is in agreement with results by other researchers.
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 | 0,001 |
| 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 ».