Joint And Cooperative Inversion Of Magnetic And Time Domain Electromagnetic Data For The Characterization Of Uxo
Notice bibliographique
Résumé
Magnetics and electromagnetic surveys are the primary techniques used for UXO remediation projects.<br>Magnetometry is a valuable geophysical tool for UXO detection due to ease of data acquisition and its ability<br>to detect relatively deep targets. However, magnetics data can have large false alarm rates due to geological<br>noise, and there is an inherent non-uniqueness when trying to determine the orientation, size and shape of<br>a target. Electromagnetic surveys, on the other hand, are relatively immune to geologic noise and are more<br>diagnostic for target shape and size but have a reduced depth of investigation. In this paper we aim to improve<br>discrimination ability by developing an interpretation method that takes advantage of the strengths of<br>both techniques. We consider two different approaches to the problem: (1) Interpreting the data sets cooperatively,<br>and (2) Interpreting the data sets jointly. For cooperative inversion information from the inversion of<br>one data set is used as a constraint for inverting another data set. In joint inversion, target model parameters<br>common to the forward solution of both types of data are identified and the model parameters from all the<br>survey data are recovered simultaneously. We compare the confidence with which we can discriminate UXO<br>from non-UXO targets when applying these different approaches to results from individual inversions. In<br>this paper we focus on the details of the joint and cooperative inversion methodologies. Examples of the application<br>of the methodology to TEM and magnetics data sets collected at the former Fort Ord in California<br>are presented. This work is funded in part by the U.S. Army Engineer Research and Development Center<br>and the Army Research Office.
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 | 0,000 |
| 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 ».