Two-dimensional anisotropic magnetotelluric inversion using a limited-memory quasi-Newton method
Notice bibliographique
Résumé
ABSTRACT We have developed a 2D anisotropic magnetotelluric (MT) inversion algorithm that uses a limited-memory quasi-Newton (QN) method for bounds-constrained optimization. This algorithm solves the inverse problem, which is nonlinear, by iterative minimization of linearized approximations of the classic Tikhonov regularized objective function. The QN approximation for the Hessian matrix is only implemented for the data-misfit term of the objective function; the part of the Hessian matrix for the regularization is explicitly computed. This adjustment results in a better approximation for the data-misfit term in particular. The inversion algorithm considers arbitrary anisotropy, and it is extended for special cases including azimuthal and vertical anisotropy. The algorithm is shown to be stable and converges rapidly for several simple anisotropic models. These synthetic tests also confirm that the anisotropic inversion produces a correct anomaly with different but equivalent anisotropic parameters. We also consider a complex 2D anisotropic model; the successful results for this model further confirm that the inversion algorithm presented here, which uses the novel modified limited-memory QN approach, is capable of solving the 2D anisotropic MT inverse problem. Finally, we have evaluated a practical application on MT data collected in northern Tibet to demonstrate the effectiveness and stability of our algorithm.
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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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.
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».