Three-dimensional inversion of geophysical field data on an unstructured mesh using deep learning neural networks, applied to magnetic data
Notice bibliographique
Résumé
We present a general scheme for 3D geophysical inversion using a deep learning convolutional neural network that enables three-dimensional inversions of useful size to be solved on laptops and desktops. A priori constraints of maximum smoothness or compactness on model parameters used during conventional geophysical inversion are not necessary. In environments where a single stabilizing functional is not capable of adequately representing the subsurface variation (e.g., steel cased wells, buried pipes in smoothly varying geology), the method provides an attractive alternative. Projecting data to the Hilbert space of model parameters using the adjoint operator before training mitigates non uniqueness associated with the underdetermined nature of traditional 3D geophysical inverse problems. A field inversion example using magnetic data collected in Washington -on- Brazos state historic site to image buried pipe and other infrastructure is presented. While the training for a single inversion takes longer, the results show better resolution of the top of the structure and overall shape compared to conventional minimum structure inversion methods. For multiple inversions such as for systems with moving footprints, or time lapse surveys, neural networks can be substantially faster than traditional inversion as the network needs to be trained only once for several successive model predictions. The method can be applied to other geophysical data including seismic, electromagnetic and gravity, at various scales and resolution.
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 | 0,001 |
| 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 ».