Petrophysically guided geophysical inversion using a dynamic Gaussian mixture model prior
Notice bibliographique
Résumé
Geophysical inversions are an essential tool for mapping the subsurface. However, the image of the underground retrieved from an inversion rarely benefits from the full range of knowledge. Geologic knowledge concerning petrophysical relationships and geologic features are not easily incorporated into traditional geophysical inversions. By developing the geophysical inverse problem from a probabilistic perspective, we redesign the objective function and the iteration steps as a suite of cyclic optimization problems across the geophysical, petrophysical and geological data, each one benefiting from the others. By quantitatively linking the geophysical, petrophysical and geological data into a single framework, we seek to recover a final inverted model that reproduces the observed petrophysical characteristics and desired geological features while fitting the geophysical data. For this purpose, we propose to replace the Gaussian prior in the Tikhonov approach by a Gaussian mixture model. After each geophysical model update, the mixture parameters are determined by the geophysical model and the expected petrophysical characteristics of the lithologies through another optimization process using the Expectation-Maximization algorithm. We then classify into rock units the model cells according to the petrophysical and geological information. These two steps over the petrophysical and geological data can be understood as a dynamic update of the reference model and weights to represent the knowledge gained at each iteration and guide the inversion towards reproducing the expected petrophysical and geological characteristics. Presentation Date: Wednesday, October 17, 2018 Start Time: 8:30:00 AM Location: 213A (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 | 0,000 | 0,000 |
| 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 | 0,000 | 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) | 0,001 | 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 ».