3D Bayesian Inversion of Potential Fields: The Quebec Oka Carbonatite Complex Case Study
Notice bibliographique
Résumé
Potential fields methods, based on the exploitation of gravity and magnetic fields, are among the most important methods to recover fundamental information on the Earth crust structure at global, regional and local scales. The bottleneck for this kind of geophysical methods is often represented by the development of ad-hoc techniques to fully exploit the available data. In fact, each different technique can observe the effect of a single property of the subsurface and when we want to estimate this property from the observed field (the so-called inverse problem), several problems such as non-uniqueness and instability arise. A possible solution to these problems consists in jointly inverting, in a consistent way, different observed fields, possibly also incorporating all the available geological constraints. In the current work, we present an innovative Bayesian algorithm aimed at performing a full 3D joint inversion of gravity and magnetic fields constrained by geological a-priori qualitative information. The algorithm is tested on a real-case scenario, namely, a local study to estimate a complete 3D model of the Oka carbonatite complex. This complex is a composite pluton in Quebec (Canada), important for mining operations related to critical raw material such as Niobium and other rare earth. This example shows the reliability of the developed inversion algorithm and gives hints on the fundamental role that potential fields can play in mining activities.
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 | 0,000 |
| 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 | 0,001 | 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) | 0,002 | 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 ».