MétaCan
Menu
Retour à la cohorte
Enregistrement W3188310258 · doi:10.1785/0220200410

On-the-Fly Full Hessian Kernel Calculations Based upon Seismic-Wave Simulations

2021· article· en· W3188310258 sur OpenAlexafffund
Yujiang Xie, Catherine A. Rychert, Nicholas Harmon, Qinya Liu, Dirk Gajewski

Notice bibliographique

RevueSeismological Research Letters · 2021
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueSeismic Imaging and Inversion Techniques
Établissements canadiensUniversity of Toronto
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaNatural Environment Research CouncilSight Research UK
Mots-clésHessian matrixKernel (algebra)AlgorithmInversion (geology)ComputationInverse problemComputer scienceApplied mathematicsInverseMathematicsMathematical optimizationMathematical analysisGeometryDiscrete mathematicsGeology

Résumé

récupéré en direct d'OpenAlex

Abstract Full waveform inversion or adjoint tomography has routinely been performed to image the internal structure of the Earth at high resolution. This is typically done using the Fréchet kernels and the approximate Hessian or the approximate inverse Hessian because of the high-computational cost of computing and storing the full Hessian. Alternatively, the full Hessian kernels can be used to improve inversion resolutions and convergence rates, as well as possibly to mitigate interparameter trade-offs. The storage requirements of the full Hessian kernel calculations can be reduced by compression methods, but often at a price of accuracy depending on the compression factor. Here, we present open-source codes to compute both Fréchet and full Hessian kernels on the fly in the computer random access memory (RAM) through simultaneously solving four wave equations, which we call Quad Spectral-Element Method (QuadSEM). By recomputing two forward fields at the same time that two adjoint fields are calculated during the adjoint simulation, QuadSEM constructs the full Hessian kernels using the exact forward and adjoint fields. In addition, we also implement an alternative approach based on the classical wavefield storage method (WSM), which stores forward wavefields every kth (k≥1) timestep during the forward simulation and reads required fields back into memory during the adjoint simulation for kernel construction. Both Fréchet and full Hessian kernels can be computed simultaneously through the QuadSEM or the WSM code, only doubling the computational cost compared with the computation of Fréchet kernels alone. Compared with WSM, QuadSEM can reduce the disk space and input/output cost by three orders of magnitude in the presented examples that use 15,000 timesteps. Numerical examples are presented to demonstrate the functionality of the methods, and the computer codes are provided with this contribution.

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)0,000
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,030

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0090,002

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 Opus0,100
Tête enseignante GPT0,317
Écart entre enseignants0,217 · 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'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

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

En bref

Citations3
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueSeismological Research LettersMême sujetSeismic Imaging and Inversion TechniquesTravaux en français237 207