Retrieval of Subsurface Resistivity from Magnetotelluric Data Using a Deep-Learning-Based Inversion Technique
Notice bibliographique
Résumé
Inversion is a fundamental step in magnetotelluric (MT) data routine analysis to retrieve a subsurface geoelectrical model that can be used to inform geological interpretations. To reduce the effect of non-uniqueness and local minimum trapping problems and improve calculation speeds, a data-driven mathematical method with a deep neural network was developed to estimate the subsurface resistivity. In this study, a deep learning (DL) inversion technique using a revised multi-head convolutional neural network (CNN) architecture was investigated for MT data analysis. We created synthetic datasets consisting of 100,000 random samples of resistivity layers to train the network’s parameters. The trained model was validated with independent noised datasets, and the predicted results displayed reasonable accuracy and reliability, which demonstrates the potential application of DL inversion for real-world MT data. The trained model was used to analyze MT data collected in the southwestern Athabasca Basin, Canada. The calculated results from the DL method displayed a detailed subsurface resistivity distribution compared to traditional iterative inversion. Since this approach can predict a resistivity model without multiple forward modeling operations after the CNN model is created, this framework is suitable to speed up the computation of multidimensional MT inversion for subsurface resistivity.
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 | 0,001 |
| 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 ».