Joint transmission and reflection traveltime tomography using the fast sweeping method and the adjoint-state technique
Notice bibliographique
Résumé
We present a joint transmission and reflection traveltime tomography algorithm based on the Fast Sweeping Method and the adjoint-state technique. In contrast to classical ray based tomography, this algorithm utilizes a grid-based Eikonal equation solver to circumvent the non-linearity of conventional ray shooting and bending approaches in complex media. The adjoint-state technique is used to obtain the gradient of the objective function without the explicit estimation of the Fréchet derivative matrix, which is usually computationally prohibitive for large-scale problems. When combined with Huygens′s Principle, the tomographic inversion can simultaneously use direct and reflected arrivals to optimize a final velocity model, further mitigate the ambiguity of the inverse problem and reveal deeper structures not visible to transmission tomography alone. In this paper, we describe the theoretical basis of our algorithm, evaluate its performance on synthetic models, and then apply it to a 20 km long 2-D seismic survey acquired in the Mackenzie Delta, Northwest Territories of Canada. The subsurface at that location is characterized by a thick permafrost (600 m) comprising high- and low-velocity areas associated with thermokarst lakes. Our results show the potential of the joint tomography in characterizing multi-scale heterogeneous velocity structures within the permafrost.
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 | 0,001 | 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 | 0,000 |
| 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 ».