Joint inversion of potential field data with adaptive unstructured tetrahedral mesh
Notice bibliographique
Résumé
ABSTRACT Inverting potential field data presents a significant challenge due to its ill-posed nature, often leading to nonunique model solutions. Addressing this, our work focuses on developing a robust joint inversion method for potential field data, aiming to achieve more accurate density and magnetic susceptibility distributions. Unlike most previous work that used regular meshes, our approach adopts an adaptive, unstructured tetrahedral mesh, offering enhanced capabilities in handling the inverse problem of potential field methods. During inversion, the tetrahedral mesh is refined in response to the model update rate. We integrate a Gramian constraint into the objective function, allowing the enforcement of model similarity in terms of either the model parameters or their spatial gradients on an unstructured mesh. In addition, we use the moving least-squares method for gradient operator computation, which is essential for model regularization. Our model studies indicate that this method effectively inverts potential field data, yielding reliable subsurface density and magnetic susceptibility distributions. The joint inversion approach, compared with individual data set inversion, produces coherent geophysical models with enhanced correlations. Notably, it significantly mitigates the nonuniqueness problem, with the recovered anomaly locations aligning more closely with actual ground truths. Applying our methodology and algorithm to field data from the Ring of Fire area in Canada, the joint inversion process has generated comprehensive geophysical models with robust correlations, offering potential benefits for mineral exploration in the region.
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 | 0,000 | 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 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 ».