Inversions of time-domain spectral induced polarization data using stretched exponential
Notice bibliographique
Résumé
SUMMARY We provide a two-stage approach to extract spectral induced polarization (SIP) information from time-domain IP data. In the first stage we invert dc data to recover the background conductivity. In the second, we solve a linear inverse problem and invert all time channels simultaneously to recover the IP parameters. The IP decay curves are represented by a stretched exponential (SE) rather than the traditional Cole–Cole model, and we find that defining the parameters in terms of their logarithmic values is advantageous. To demonstrate the capability of our simultaneous SIP inversion we use synthetic data simulating a porphyry mineral deposit. The challenge is to image a mineral body that is hosted within an alteration halo having the same chargeability but a different time constant. For a 2-D problem, we were able to distinguish the body using our simultaneous inversion but we were not successful in using a sequential (or conventional) SIP inversion approach. For the 3-D problem we recovered 3-D distributions of the SIP parameters and used those to construct a 3-D rock model having four rock units. Three chargeable units were distinguished. The compact mineralization zone, having a large time constant, was distinguished from the circular alteration halo that had a small time constant. Finally, to promote the use of the SIP technique, and to have further development of SIP inversion, all examples presented in this paper are available in our open source resources (https://github.com/simpeg-research/kang-2018-spectral-inducedpolarization).
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 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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; 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 ».