Numerical Modeling to Assess the Impact of Positional Errors during the Acquisition of Waterborne Continuous Resistivity Measurements
Notice bibliographique
Résumé
Waterborne continuous resistivity profiling (WCRP) permits rapid collection of direct current (DC) resistivity data over water by means of towing a multi‐electrode cable streamer behind a moving vessel. During WCRP electrical current is injected using a pair of electrodes, while multiple potential measurements are made using other pairs of electrodes. This acquisition results in a near continuous profile of measured resistances along the survey path. These data are then processed/inverted to produce a 2.5D resistivity model, which can be used to interpret physical subsurface properties (i.e. lithology, and pore fluid conductivity). There are several advantages of WCRP over land based DC resistivity surveying, such as: 1) rapid data collection (e.g. approximately 15 km per day), 2) simplified access to survey areas (e.g. land access not required), and 3) the data are generally of high quality due to near‐zero surface contact resistance. However, there are issues with using WCRP, including: 1) understand/incorporation of positional errors (e.g. the cable shape is constantly changing), 2) assessment of data noise (e.g. cannot collect reciprocals), and 3) incorporation of the water‐column and water‐bottom interface into the model. With this work, we seek to address challenge (1) through the use of numerical simulations of cable deformation. We have developed a heuristic model for cable shape, based on extensive experience with WRCP, that accounts for bends and slack caused by water currents and changing boat velocity. Using this cable model, we simulated, for a range of water currents and boat velocities, the data that would have been measured for a series of earth conductivity models. These data were then compared to data that would have been generated, assuming a straight/taut cable positioned with a random GPS error (this is the assumption that is often made when inverting WCRP data). The differences in these two simulated datasets (i.e. idealized vs. realistic), though specific to the range of parameters considered here, lend insight into the underlying positional errors associated with WRCP and can be used to better inform the error model used during the inversion of these data
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 | 0,000 |
| 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) | 0,000 | 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 ».