2D cross-hole electromagnetic inversion algorithms based on regularization algorithms
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract The cross-hole electromagnetic (EM) method, which is currently at the forefront of electric logging technology, fundamentally solves the problems of the lateral imaging ability of single-well logging and the lack of detection of inter-well physical properties. However, due to the complexity of underground reservoir distribution and the non-uniqueness problem of geophysical inversion, there remains a lack of practical and effective cross-hole electromagnetic inversion methods. Our goal is to develop an efficient method to reduce the non-uniqueness of the physical property model recovered in the inversion. It is worth noting that the regularization algorithm, as a means to approximately solve inversion problems, can obtain different solutions by changing the form of the regularization function, so as to ensure the stability of inversion results and conform to the smooth or non-smooth characteristics in known geology or geophysics. We adjust the features of the final inversion model in a defined framework by changing the values of the $\alpha $ coefficient in the regularization and using the Lawson norm as a ${l}_p$-norm approximation form for $p \in [ {0,2} ]$. At the same time, the iteratively reweighted least-squares method is used to solve the optimization problem, and the gradient in the Gauss–Newton solution is adjusted successively to ensure that every term in the regularization contributes to the final solution. Compared with the traditional ${l}_2$-norm inversion method, the sparse inversion method can make more effective use of information regarding known physical properties and obtain better inversion results. Then, the effectiveness of our inversion method is verified by model tests and inversion of measured data in a mining area.
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.
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 découle