Cooperative inversion of multiphysics data using joint minimum entropy constraints
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
ABSTRACT The inversion of geophysical data is a classical ill‐posed problem that is complicated by considerable uncertainty and ambiguity in the resulting inverse models. One way to reduce this uncertainty is based on the cooperative inversion of multiphysics data. In most cases, the information provided by different geophysical data is mutually complementary, making it natural to consider a cooperative (joint) inversion of different geophysical data to a shared earth model. Many existing joint inversion methods are based on the known relationships between the different physical properties of the rocks. This paper introduces a new approach to cooperative geophysical inversion, which does not require a priori knowledge about specific empirical or statistical relationships between the different models' parameters. Our approach is based on a novel joint minimum entropy stabilizer, which forces the simplest multiphysics solution that fits the multimodal data. This novel stabilizer characterizes the degree of joint disorder or uncertainty in the distribution of the different model parameters. By minimizing this stabilizing functional in the framework of the regularized inversion, we produce a consistent image of the same geological structure expressed in different geophysical data. We implement a joint minimum entropy stabilizer in the context of re‐weighted regularized conjugate gradient inversion. The paper demonstrates the developed method using a synthetic model study and by joint inversion of airborne gravity and magnetic data collected in the McFaulds Lake area of Ontario, Canada.
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.
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 | 0,000 | 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 découle