A rational Krylov subspace method for 3D modeling of grounded electrical source airborne time-domain electromagnetic 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
The rational Krylov subspace method enables the time integration required to calculate responses directly in the time-domain to be computed accurately and more efficiently than by regular time-stepping methods. In this study, the optimal rational Krylov subspace approach is used for the forward modeling of data from the grounded electric source airborne time-domain electromagnetic (GREATEM) method. The space dependence of Maxwell's equations is discretized using a mimetic finite-volume (MFV) technique, which allows strongly discontinuous conductivities to be treated properly. One advantage of an MFV approach is that the initial magnetic problem for the grounded electric source can be solved using the same discrete operators. The optimal rational Krylov subspace approach is then used for the time integration to efficiently model the full spectrum with fewer solutions of a large system of equations. A concise optimization algorithm is presented to select a single repeated pole parameter, which results in convergence under an a priori given error independent of mesh grid and electrical structure. The direct solver ‘PARDISO’ and right preconditioning are used to further accelerate solution performance of solving the large asymmetrical linear system of equations. The accuracy and efficiency advantages are demonstrated by a large conductivity contrasts layered model and in a 3D benchmark model. A deeply buried massive sulfide model was also built up to evaluate the deep detection capability of the GREATEM method, which shows one can expect to detect a significant response from the deep target in the airborne measurements.
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 | 0,001 | 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