MétaCan
Menu
Retour à la cohorte
Enregistrement W4393176392

Le trafic ferroviaire comme source de bruit sismique pour l'imagerie de la croûte peu profonde par interférométrie sismique

2021· preprint· en· W4393176392 sur OpenAlexaboutno aff
Laura Alejandra Pinzon Rincon

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomaineEarth and Planetary Sciences
ThématiqueSeismic Waves and Analysis
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésSeismic interferometryGeologySeismologyCrustInterferometryVertical seismic profileGeophysical imagingNoise (video)Seismic noiseGeophysicsComputer scienceOpticsPhysicsArtificial intelligence
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Les sismologues sont à la recherche de nouvelles méthodes, de préférence peu coûteuses, pour cartographier la structure complexe des quelques kilomètres supérieurs de la croûte. L'imagerie sismique passive apparaît comme une approche nouvelle, peu coûteuse et respectueuse de l'environnement pour explorer le sous-sol dans le contexte minier. Typiquement, l'interférométrie sismique passive repose sur des corrélations de longues séries temporelles de bruit sismique ou d'ondes coda. Dans cette thèse, nous proposons une approche complémentaire : l'interférométrie sismique utilisant des sources opportunes, plus précisément des sources mobiles qui ne sont pas stationnaires dans le temps. Cette nouvelle approche repose sur une compréhension précise du mécanisme de la source sismique, une sélection minutieuse de la fenêtre temporelle du signal et des paires de stations, et l'identification de la phase sismique (ondes de surface et de volume).Les trains de marchandises massifs n'ont été reconnus que récemment comme une source sismique culturelle (d'origine humaine) puissante et persistante. Par exemple, le passage d'un train peut générer d'une énergie équivalente à un tremblement de terre M1 et être détectable jusqu'à 100 km de la voie. Ainsi, ces signaux de train peuvent être considérés comme une source sismique appropriée pour l'interférométrie sismique passive car ils sont facilement disponibles, détectables, répétables et génèrent une énergie large bande à haute fréquence. Pour illustrer le potentiel de cette nouvelle méthode, nous présentons une étude de cas dans un contexte d'exploration minière sur le site de Marathon en Ontario, Canada.Le jeu de données de Marathon consiste en 30 jours de données sismiques continues enregis-trées par un réseau dense de 1020 capteurs à 1 composante. Tout d'abord, les sources de bruit sismique ambiant, y compris les signaux de train, sont identifiées et caractérisées, et les mécanismes de source des signaux de train sont discutés. Ensuite, nous avons développé la théorie de l'interférométrie sismique appliquée aux sources ponctuelles et conçu un nouveau workflow pour traiter et analyser ce type de données. Grace à ce traitement, les ondes de volume et de surface se propageant entre des paires de stations soigneusement orientées sont récupérées. Enfin, ces arrivées sont sélectionnées pour générer un modèle de vitesse sismique 3D de la zone proche de la surface de Marathon. Nous discutons des avantages et des inconvénients de la méthode par rapport aux approches plus standard en utilisant la modélisation numérique, et en nous concentrant spécifiquement sur le potentiel d'imagerie des ondes de volume et de récupération de l'anisotropie azimutale. Loin d'être limitée à l'imagerie proche de la surface, cette nouvelle méthode d'analyse des sources sismiques opportunes peut être appliquée dans une variété de contextes et d'échelles en utilisant des signaux naturels et artificiels.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,020

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0060,003

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.

Tête enseignante Opus0,019
Tête enseignante GPT0,244
Écart entre enseignants0,225 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetSeismic Waves and AnalysisTravaux en français237 207