MétaCan
Menu
Retour à la cohorte
Enregistrement W3197477299 · doi:10.1190/segam2021-3583615.1

Implementing geological rules within geophysical inversion: A PGI perspective

2021· article· en· W3197477299 sur OpenAlexaff
Thibaut Astic, Douglas W. Oldenburg, Lindsey J. Heagy

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueGeophysical and Geoelectrical Methods
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésGeophysicsInversion (geology)Perspective (graphical)GeologyComputer scienceSeismologyArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Inferring geologically meaningful information from a geophysical inversion is a challenging task. Moreover, prior knowledge about the petrophysical contrasts or the relationships between various geological units can also prove difficult to translate into quantitative input for the inversion. In previous works, we developed a Petrophysically and Geologically guided Inversion (PGI) framework that enables desired petrophysical characteristics to be reproduced. This information is encoded into the objective function’s smallness through a Gaussian Mixture Model (GMM). The resulting discrete geological representation of the subsurface thus fits both the geophysical and petrophysical information. The way we included geological information was limited to favoring the occurrence of chosen rock units in user-defined areas on a cell-by-cell approach. Transferring geological information from one area to another, such as an expected stratigraphy, was not easily done. Moreover, structural information (dip orientation, etc.), which by definition depends on multiple cells at once, was left to the bjective function’s smoothness, which acts on the physical property models rather than on the geological representation itself. We improve upon the existing PGI framework to make the inversion result geologically realistic by including geological rules as part of the process that builds the geological representation throughout the inversion’s iterations. For this purpose, we incorporate image segmentation tools using Markov Random Field (MRF) as part of the PGI framework. The final recovered model fits geophysical and petrophysical information while reproducing geological characteristics, thus providing a more faithful and informed representation of the underground.

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)0,007
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 enseignants0,007
Score d'incertitude au seuil0,015

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,007
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,003
Communication savante0,0030,002
Science ouverte0,0020,002
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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 Opus0,022
Tête enseignante GPT0,261
Écart entre enseignants0,239 · 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

Citations0
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetGeophysical and Geoelectrical MethodsTravaux en français237 207