Three-dimensional magnetotelluric modeling in a mixed space-wavenumber domain
Notice bibliographique
Résumé
ABSTRACT We have developed a new 3D magnetotelluric modeling scheme in a mixed space-wavenumber domain. The modeling scheme is based on using a 2D Fourier transform along two horizontal directions to solve a vector-scalar potential formula derived from Maxwell’s equations based on the primary-secondary potential separation. The derived 1D governing equations in a mixed space-wavenumber domain are solved by using the finite-element method (FEM) together with a chasing method, and then the 2D inverse Fourier transform is used to recover the final solution of the electromagnetic (EM) fields in the 3D spatial domain. An iterative scheme is applied to approximate the true solution by repeating the previous steps because the governing equations cannot be solved directly due to an unusual primary-secondary potential field separation used. Nevertheless, the new method is capable of reducing the memory requirement and computational time in the mixed domain, and the 1D governing equations are highly parallel among different wavenumbers. For each of the 1D equations, the two- or four-node Gaussian quadrature rule can be used in both horizontal directions for Gauss fast Fourier transform. It is worth mentioning that the linear matrix equation to be solved is a fixed bandwidth system, and the chasing method is more efficient and convenient than solvers with preconditioners for the 1D matrix equations. The reliability and efficiency of the newly proposed method are verified with three synthetic 3D models by comparisons with a classical integral equation solution, an adaptive FEM solution, and a nonadaptive FEM solution. The proposed algorithm will be used in electrical resistivity tomography and controlled-source EM methods in future 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 | 0,000 | 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 | 0,000 |
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 ».