Electric field data in inductive source electromagnetic surveys
Notice bibliographique
Résumé
ABSTRACT Measurement of the electric field data due to an inductive loop source in a controlled source electromagnetic survey is not common, because electric field data, usually involving grounded electrodes, are expensive to acquire and difficult to interpret. With the recently developed capability of versatile three‐dimensional inversion, we revisit the idea of measuring electric field in a large ground loop survey for mineral exploration. The three‐dimensional modelling and inversion approach helps us quantitatively understand the detectability and recoverability of the proposed survey configuration. Our detectability study using forward modelling shows that the relative anomaly (percentage difference) in electric field does not decay with a lower induction number, but the conventional magnetic field data ( dB/dt ) does. Our recoverability study examines how much and what kind of information can be extracted from electric field data for the reconstruction of a three‐dimensional model. Synthetic inversions show the following observations. (i) Electric field data are good at locating lateral discontinuity, whereas dB/dt has better depth resolution. (ii) Electric field is less sensitive to the background conductivity and, thus, is prone to misinterpretation because of a bad initial model in inversion. We recommend warm‐starting the electric field inversion with an initial model from a separate dB/dt inversion. (iii) Electric field data may be severely contaminated by near‐surface heterogeneity, but an inversion can recover the deep target concealed by the geologic noise. (iv) Even one line of single‐component electric field data can greatly improve the horizontal resolution in a dB/dt inversion. Finally, we investigate a field dataset of both electric field and dB/dt measurements at a uranium deposit. The field example confirms that the electric field and magnetic field data contain independent information that is crucial in the accurate recovery of subsurface conductivity. Our synthetic and field examples demonstrate the benefit of acquiring electric field data along with magnetic field data in an inductive source survey.
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 | 0,002 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».