GeoINR 1.0: an implicit neural network approach to three-dimensional geological modelling
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. Implicit neural representation (INR) networks are emerging as a powerful framework for learning three-dimensional shape representations of complex objects. These networks can be used effectively to model three-dimensional geological structures from scattered point data, sampling geological interfaces, units, and structural orientations. The flexibility and scalability of these networks provide a potential framework for integrating many forms of geological data and knowledge that classical implicit methods cannot easily incorporate. We present an implicit three-dimensional geological modelling approach using an efficient INR network architecture, called GeoINR, consisting of multilayer perceptrons (MLPs). The approach expands on the modelling capabilities of existing methods using these networks by (1) including unconformities into the modelling; (2) introducing constraints on stratigraphic relations and global smoothness, as well as associated loss functions; and (3) improving training dynamics through the geometrical initialization of learnable network variables. These three enhancements enable the modelling of more complex geology, improved data fitting characteristics, and reduction of modelling artifacts in these settings, as compared to an existing INR approach to structural geological modelling. Two diverse case studies also are presented, including a sedimentary basin modelled using well data and a deformed metamorphic setting modelled using outcrop data. Modelling results demonstrate the method's capacity to fit noisy datasets, use outcrop data, represent unconformities, and efficiently model large geographic areas with relatively large datasets, confirming the benefits of the GeoINR approach.
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 | 0,002 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,002 |
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