Bayesian inference of petrophysical properties with generative spectral induced polarization models
Notice bibliographique
Résumé
ABSTRACT Mechanistic induced polarization (IP) models describe the relationships between the physical properties of geomaterials and their frequency-dependent complex conductivity. However, practitioners rarely use mechanistic models to interpret the IP data because the uncertainties associated with estimating petrophysical properties from complex conductivity spectra are still poorly understood. We propose a framework for critically assessing any IP model’s sensitivity and parameter estimation limitations. The framework consists of a conditional variational autoencoder (CVAE), an unsupervised Bayesian neural network specializing in data dimension reduction and generative modeling. We apply the framework in a case study of the “perfectly polarized interfacial polarization” model by training the CVAE on the IP signatures of synthetic mixtures of metallic mineral inclusions hosted in electrolyte-filled geomaterials. First, the CVAE’s Jacobian reveals the relative importance of each petrophysical property for generating the spectral IP data. The most critical parameters are the conductivity of the host, the volume fraction of the inclusions, the characteristic length of the inclusions, and the permittivity of the host. Contrastingly, the inclusions’ diffusion coefficient, permittivity, and conductivity, as well as the host’s diffusion coefficient, have marginal importance. A parameter estimation experiment using various model constraints yields the standardized accuracy of petrophysical properties and corroborates the sensitivity analysis results. Finally, we visualize the effects of data transformations and model constraints on the petrophysical parameter space. We conclude that a common logarithm data transformation yields optimal parameter estimation results and that constraining the electrochemical properties of a geomaterial improves the estimates of the size of its metallic inclusions and vice versa.
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) | 0,000 | 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 ».