Forward modeling of direct-current resistivity data on unstructured grids using an adaptive mimetic finite-difference method
Notice bibliographique
Résumé
ABSTRACT An effective solver for the direct-current (DC) resistivity forward-modeling problem should be capable of accommodating arbitrary electrode layouts, adapting the mesh to topography and complex geologic structures, and adaptively refining the mesh to ensure high solution accuracy. We use the capability of the mimetic finite-difference method in naturally accommodating meshes with nonconforming elements to develop adaptive and parallel cell-based (CB) and vertex-based (VB) mimetic schemes for the forward modeling of DC resistivity data on unstructured meshes. A diffusion problem in mixed form and Poisson’s problem are solved in the CB and VB schemes, respectively. The mesh adaptivity involves an iterative h-refinement conducted by a regular subdivision of the marked elements together with a 2-irregularity condition. Goal-oriented residual- and gradient-based error estimators are used to mark the elements for refinement in the CB and VB schemes, respectively. To evaluate the accuracy and efficiency of the mimetic schemes, we use two benchmark models with analytical solutions and standard linear and quadratic finite-element solutions. The numerical results for apparent resistivity from both mimetic schemes accurately approximate the reference analytical and numerical values. Furthermore, on similar meshes, the VB mimetic scheme is found to be less demanding than the CB method in terms of computational resource requirement. We also develop a grid-based mesh generation technique based on the body-centered cubic lattice to generate high-quality initial meshes. Using benchmark examples, we validate this mesh generation method and demonstrate its versatility by discretizing a model of a thin dike where a standard Delaunay mesh generator fails to generate a mesh. Moreover, we display the effectiveness of the presented mimetic approach and the grid-based mesh generation technique using a realistic example with topography and parallelization over a large number of sources.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».