Nonlinear Inversion for Multiple Objects in Transient Electromagnetic Induction Sensing of Unexploded Ordnance: Technique and Applications
Notice bibliographique
Résumé
We develop an inversion technique to process overlapping data that arise from closely spaced targets. In contrast to a usual single-object inversion model, a multiobject problem is more challenging because of the increased number of parameters to be found and because of the additional nonlinearity and nonuniqueness. Our solution strategy is to break down the full problem into a sequence of smaller problems so that optimization is conducted in a lower dimensional model space. In the numerical implementation, a set of nonlinear model parameters, e.g., the locations of the underlying sources, is sought while the set of linear model parameters, i.e., their polarization tensors, are updated accordingly in a nested manner. This is an explicit separable nonlinear optimization technique that we cast. We employ a joint diagonalization to find an average principal direction among multiple magnetic polarizability tensors. Since the principal directions are more sensitive to the inaccuracies in the estimated polarization tensor, we suggest a subsequent procedure to optimize the two sets of parameters: orientation and principal polarizations of objects. For initialization, we propose a selected multistart nonlinear algorithm for source localizations that paves an efficient way to find a good initial guess of model parameters and makes the nonlinear inversion effectively automated. We report the new applications of the technique to the test-stand and field data acquired with next-generation sensor systems of the TEMTADS and MetalMapper and study the issue of the spatial resolution of overlapping anomalies through inversions and using the metric defined as the total uncertainty of the polarizabilities.
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 | 0,001 |
| 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 ».