The Warr Machine: System Design, Implementation and Data
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
ABSTRACT In this paper, we describe a ground penetrating radar (GPR) system called the wide angle reflection and refraction (WARR) machine, outline the design and discuss the implementation challenges. WARR and the closely related common-mid-point (CMP) GPR soundings have been standard survey methods to measure velocity since GPR first existed. Earliest efforts demonstrated the variation in ice sheet velocity versus depth. Although GPR multi-offset soundings are valuable survey methods, they have seen little adoption since many systems are not bistatic. In addition, surveys most often use a single transmitter with a single receiver deployed sequentially at varying antenna separations, making data acquisition slow. Modern instrumentation with recent advances in GPR timing and control technology has enabled deployment of systems with multiple concurrent sampling receivers. This development has resulted in the ability to continuously acquire multi-offset WARR data at the same rate as two dimensional (2D) common offset reflection surveys in the past. The concomitant issues of survey design plus organizing the WARR data storage, documentation and analysis present numerous challenges. The extraction of velocity information from the large volumes of GPR WARR/CMP data demands automated analysis techniques. We have explored the use of normal move out (NMO) stacking at creating enhanced zero offset section from multi-offset data. Furthermore, we investigated the use of semblance analysis at estimating move-out velocities in order to apply in the NMO stack. These traditional seismic processing steps have proven to be less effective with GPR. These conclusions point to the differences in data character between seismic and GPR. Results of in-field deployment are used to illustrate advances to date and point the way to further advancements.
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 | 0,000 | 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 découle