Practical 3D inversion of large airborne time domain electromagnetic data sets
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
SummaryIn this paper we show that 3D inversion of large airborne time domain EM data, which is traditionally considered impractical, can be rapidly carried out by using a thoughtful workflow. In our 3D inversion algorithm, the number of cells in the mesh and the number of soundings are two factors that slow down the inversion. Therefore, we develop a strategy of adaptive mesh and sounding refinement to minimize the number of cells and the number of soundings required by the inversion. At the beginning, a coarse mesh and a few soundings are used to quickly build up a large-scale model. Then the mesh is refined and more soundings are added based upon their data misfit. At each iteration of the inversion, a certain number of soundings are randomly selected, and we change the data selection from iteration to iteration. This allows us to down-sample the field data without much loss of information. Once the large-scale model is obtained, we carry out some tile inversions that focus on smaller areas with a locally refined mesh to better resolve the small-scale features. The workflow is demonstrated by a synthetic example with 2121 transmitters that takes about 10 hours to be solved compared to about 150 hours if we had started the inversion on a fine mesh and used all of the transmitters. The methodology of speeding up the inversion by adaptive mesh and data refinement can also be applied to other EM surveys.
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.
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 | 0,001 |
| 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) | 0,003 | 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 découle