Virtual Sources of Body Waves from Noise Correlations in a Mineral Exploration Context
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 The extraction of body waves from passive seismic recordings has great potential for monitoring and imaging applications. The low environmental impact, low cost, and high accessibility of passive techniques makes them especially attractive as replacement or complementary techniques to active-source exploration. There still, however, remain many challenges with body-wave extraction, mainly the strong dependence on local seismic sources necessary to create high-frequency body-wave energy. Here, we present the Marathon dataset collected in September 2018, which consists of 30 days of continuous recordings from a dense surface array of 1020 single vertical-component geophones deployed over a mineral exploration block. First, we use a cross-correlation beamforming technique to evaluate the wavefield each minute and discover that the local highway and railroad traffic are the primary sources of high-frequency body-wave energy. Next, we demonstrate how selective stacking of cross-correlation functions during periods where vehicles and trains are passing near the array reveals strong body-wave arrivals. Based on source station geometry and the estimated geologic structure, we interpret these arrivals as virtual refractions due to their high velocity and linear moveout. Finally, we demonstrate how the apparent velocity of these arrivals along the array contains information about the local geologic structure, mainly the major dipping layer. Although vehicle sources illuminating array in a narrow azimuth may not seem ideal for passive reflection imaging, we expect this case will be commonly encountered and should serve as a good dataset for the development of new techniques in this domain.
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 | 0,001 |
| 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 | 0,000 |
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