Multiple level-set joint inversion of traveltime and gravity data with application to ore delineation: A synthetic study
Notice bibliographique
Résumé
We have developed a multiple level-set method for simultaneous inversion of gravity and seismic traveltime data. The method recovers the boundaries between regions with distinct physical properties assumed constant and known, creating structurally consistent models of two subsurface properties: P-wave velocity and density. In single level-set methods, only two rock units can be considered: background and inclusion. Such methods have been applied to examples representing various geophysical scenarios, including in the context of joint inversion. In multiple level-set methods, several units can be considered, which make them far more applicable to real earth scenarios. Recently, a multiple level-set method has been proposed for inversion of magnetic data. We extend the multiple level-set formulation to joint inversion of gravity and traveltime data, improving upon previous work, and we investigate applicability of such an inversion method in ore delineation. In mineral exploration environments, traditional seismic imaging and inversion methods are challenging because of the small target size and the specific physical property contrasts involved. First-arrival seismic traveltime and gravity data complement each other, and we found that joint multiple level-set inversion is more beneficial than separate inversions, especially with limited data and slow targets. Our method is more robust than the joint inversion method based on clustering of physical properties in recovery of piecewise homogeneous models not well-constrained by the data. To justify the known property assumption, we found the degree of robustness of the multiple level-set joint inversion to uncertainties arising from incomplete knowledge of small-scale subsurface physical property variations and target composition.
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 ».