Data-driven modeling of time-domain induced polarization
Notice bibliographique
Résumé
ABSTRACT Induced polarization (IP) measurements are affected by various types of noise, which should be removed prior to data interpretation. However, existing data processing methods often rely on empirical assumptions about the standard shape of IP decay curves. Our goal is to introduce a data-driven approach for modeling and processing time-domain IP measurements. To reach this goal, we train a variational autoencoder (VAE) on 1,600,319 IP decays collected in Canada, the United States, and Kazakhstan. The proposed deep learning approach is unsupervised and avoids the pitfalls of IP parameterization with empirical Cole-Cole and Debye decomposition models, simple power-law models, or mechanistic models. Four applications of VAEs are key to modeling and processing IP data: (1) synthetic data generation, (2) Bayesian denoising, (3) evaluation of signal-to-noise ratio, and (4) outlier detection. Furthermore, we interpret the IP data compilation’s latent representation and reveal a correlation between its first dimension and the average chargeability. Finally, we determine that a single real-valued scalar parameter contains sufficient information to encode IP data. This new finding suggests that modeling time-domain IP data using mathematical models governed by more than one free parameter is ambiguous, whereas modeling only the average chargeability is justified. A pretrained implementation of the VAE model is available as open-source Python code.
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 | 0,000 |
| Science ouverte | 0,001 | 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 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 ».