MétaCan
Menu
Retour à la cohorte
Enregistrement W3183468528 · doi:10.1142/s259172852130004x

Review of Geoacoustic Inversion in Underwater Acoustics

2021· article· en· W3183468528 sur OpenAlexaff
N. Ross Chapman, Er Chang Shang

Notice bibliographique

RevueJournal of Theoretical and Computational Acoustics · 2021
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueUnderwater Acoustics Research
Établissements canadiensUniversity of Victoria
Organismes subventionnairesNaval Nuclear Propulsion Program (Naval Reactors)Innovative Research Group Project of the National Natural Science Foundation of China
Mots-clésInversion (geology)UnderwaterAttenuationAcousticsGeologyInferenceComputer scienceInverse problemBayesian inferenceAcoustic dispersionBayesian probabilitySeismologyMathematicsOceanographyAcoustic waveArtificial intelligencePhysicsOptics

Résumé

récupéré en direct d'OpenAlex

This paper reviews the progress in geoacoustic inversion over the past several decades. The review is separated into two parts. The first part reviews developments in model-based inversion methods that have led to present day usage of Bayesian inference. Theoretical foundations for the inversion methods are outlined, and limitations of model-based approaches are discussed. Examples are briefly described of applications of model-based inversion with different types of experimental data. The second part reviews recent developments in model-free inversion methods, focusing on discussion of distortion of estimated geoacoustic model parameters caused by model mismatch. It is shown that distortions in estimated model parameters lead to errors in interpreting characteristics of dispersion in the ocean waveguide, in particular the frequency dependence of sound attenuation in marine sediment. This review concludes with perspectives on new directions in research that promise improvement in inversion performance.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,014

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,003
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0020,004
Études des sciences et des technologies0,0000,001
Communication savante0,0010,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,003

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.

Tête enseignante Opus0,015
Tête enseignante GPT0,260
Écart entre enseignants0,244 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations56
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Theoretical and Computational AcousticsMême sujetUnderwater Acoustics ResearchTravaux en français237 207