Seismoelectric and Electroseismic Modeling in Stratified Porous Media With a Shallow or Ground Surface Source
Notice bibliographique
Résumé
Abstract For a shallow or ground surface source and receiver at the same level or close depth, it is very difficult or computationally inefficient to simulate seismoelectric or electroseismic wave‐fields in stratified porous media by current reflectivity methods, such as the Luco‐Apsel‐Chen generalized reflection and transmission method (LAC GRTM). In this work, the peak‐trough averaging method which has been proved effective and efficient in dealing with this kind of computational problem is adopted to update the seismoelectric and electroseismic modeling algorithm based on LAC GRTM. After thoroughly verifying the accuracy and computational efficiency of the updated algorithm, we utilize it to numerically investigate both the electroseismic and seismoelectric couplings. Snapshots of electroseismic wave‐fields indicate evanescent electroseismic conversion, a reverse process of evanescent seismoelectric conversion, dominates at relatively larger ratios of seismic wavelength to interface depth, whereas the interfacial radiation electroseismic conversion is more prominent for the opposite situation. Our seismoelectric modeling results demonstrate that electric signals can arrive at the ground surface a few milliseconds earlier than their causative seismic signals due to evanescent seismoelectric conversion. This is the first modeling result considering source‐receiver geometries on the surface capable of explaining similar phenomena reported in geophysical field observations of seismically induced electrokinetic effects over a long history. The updated algorithm offers an accurate and efficient tool for forward modeling and will benefit interpretations of field observations as well as future inversion studies.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».