Recovery of compact conductors in 3D voxel inversion of time-domain EM data
Notice bibliographique
Résumé
3D voxel inversion sometimes produces a mysterious "ring" model when inverting strong data from a compact conductor in a resistive background. Motivated by an airborne TEM data set from a kimberlite exploration site, we design a mathematical example to understand why and when such erroneous models appear. For a time domain coincident loop-loop survey, the high sensitivity for a uniform half-space follows the shape of the well-known "smoke ring" encircling the loop location. If an inversion starts from a model that has a sensitivity ring exceeding the width of data anomaly, a ring-shaped conductor can be constructed in the model. Our remedy is to warm-start the inversion by a conductor-seeded initial model in conjunction with a uniform reference model. We find that initial models can be as simple as a vertically infinite conductive prism of a conductivity and width roughly guessed from data. At early inversion iterations, the seeding prism helps sensitivity concentrate at the location of peak data anomaly; because the reference model is set to uniform, the inversion gradually wipes out the unnecessary structure of the prism while building new structure required by the data. Eventually, the prism fades out, and the model only contains data-supported features. Field data tests show that our dual-model warm-start approach is straightforward and robust, as the final result does not change with a wild variety of the size, location, and conductivity of the seeding prism. Presentation Date: Thursday, October 18, 2018 Start Time: 8:30:00 AM Location: 213B (Anaheim Convention Center) Presentation Type: Oral
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».