Modelling seismicity based on fault geometry: maximum magnitudes and magnitude-frequency distributions.
Notice bibliographique
Résumé
Investigating clusters of events and geophysical screening often provides limited constraints on fault geometries. This imaging issue prevents the integration of realistic fault zone geometry into earthquake studies, which can affect our capacity to evaluate the role of pre-existing faults on seismicity. This study describes a modelling strategy accounting for realistic fault zone geometries. Our approach uses stochastic methods underpinned by quantitative fault zone parameterization, followed by an assessment of seismicity from simulations of rupture dynamics controlled by fault geometry. This method is used to investigate the role of fault maturity on seismicity for two case studies, including seismicity associated with the reactivation of a pre-existing fault network due to hydraulic fracturing in Harrison County, Ohio, from 2013 to 2015, as well as the natural seismicity associated with the Yushu-Ganzi left-lateral strike-slip fault system in central-eastern Tibet. In the Harrison County case, we analyze the effect of vertical variability in fault maturity and show how more mature faults in the deeper crystalline basement generate higher magnitude seismicity than shallow, immature faults in younger sedimentary rocks. In the Yushu-Ganzi case study, we show how lateral variability in structural maturity, arising from long-term fault propagation and strain rates, leads to different seismicity on individual fault segments. Our findings indicate that fault geometry determines seismic patterns, with rupture length controlled by fault zone geometry rather than fault lengths, and favour the adoption of a structural geological perspective for the integration of realistic fault geometry into seismicity prediction strategies.
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) | 0,001 | 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 | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».