Integrating multiscale parameters information into 3D stochastic magnetic anomaly inversion
Notice bibliographique
Résumé
ABSTRACT We present a 3D stochastic inversion method based on the geostatistical approach of cokriging for inversion of magnetic anomaly data on multiple scale parameters using borehole and surface data to limit the resulting solution space. Recovering susceptibilities in 3D magnetic anomaly inversion requires integration of many different data. These data mainly come from different sources with different volume supports (point and block support). The presented algorithm has the capability of inverting data on multiple supports using downscaling and upscaling. Borehole susceptibilities (point support) are up-scaled to block susceptibilities where some of them are selected as constraints. The block constraints are used in magnetic anomaly inversion and, finally, the inverted susceptibilities are down-scaled to small prisms. Two modes of application are presented: estimation and simulation. The method is first applied to a synthetic stochastic model. The results of downscaling and upscaling show the ability of the method to invert surface and borehole data simultaneously on multiple scale parameters. The results also clearly show the significant role of borehole data in improving depth resolution. Finally, a case study using susceptibility measurements collected on outcrops and on numerous borehole cores at the Perseverance mine (Quebec, Canada) is presented. The information from the recovered 3D model are useful in analyzing the geology of massive sulfide for the domain under study. It also shows that the addition of constraints at different scales helps in delineating bodies, which would have been missed by only using the magnetic anomaly data.
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 | 0,001 |
| 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 | 0,002 |
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 ».