Water Table and Permeability Estimation From Multi‐Channel Seismoelectric Spectral Ratios
Notice bibliographique
Résumé
Abstract Recent developments in predicting and interpreting seismoelectric (SE) signals suggest a great potential for studying near‐surface hydrogeological properties, particularly in the vadose zone. Previous studies have revealed that the SE spectral ratios obtained from earthquake‐triggered SE data contain valuable hydrogeological information concerning porous media (e.g., permeability, porosity, fluid viscosity, and salinity). This study introduces Multi‐Channel SeismoElectric Spectral Ratios (MC‐SESRs) by considering an active seismic source acting on the ground surface. The frequency‐ and saturation‐dependent excess charge density is adopted to calculate the cross‐coupling coefficients. Applying a supervised learning task based on a flat neural network, the so‐called “broad learning (BL)” model, to map and extract the features of MC‐SESRs data, we seek to determine the permeability and the water table depth. Our results indicate that (a) MC‐SESRs are sensitive to the water table depth and permeability; (b) using more traces of SESRs data for inversion can increase accuracy; and (c) the changing water table can be rapidly determined by the MC‐SESRs by resorting to the BL inverse model, and it can attain an excellent accuracy while disturbed by data noise and misspecified model parameters (e.g., porosity and permeability) with errors of up to 20%. The proposed MC‐SESRs inversion has potential applications for non‐invasive monitoring in shallow porous media (e.g., frost thawing and geothermal upwelling).
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 | 0,002 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 ».