Surface geometry inversion of transient electromagnetic data
Notice bibliographique
Résumé
ABSTRACT We investigate an emerging method called surface geometry inversion (SGI) for the inversion of transient electromagnetic (TEM) data. Conventional minimum-structure inversion methods parameterize the earth model with many mesh cells within which the physical properties are constant, and construct a physical property model that is usually smoothly varying as well as fits the observations. With these smooth models, it is difficult to extract the interface between different geologic units, and it can be especially difficult to target drillholes for thin, plate-like targets, which are frequently encountered in mineral exploration. Our SGI parameterizes the model in terms of the coordinates of the nodes (vertices) used to connect together the surfaces that define the geologic interfaces. The algorithm then inverts for the locations of these nodes, which directly provides geometric information about the target. This can be more useful than a fuzzy image of conductivity, especially for an exploration project. A genetic algorithm (GA) is used to solve the nonlinear, overdetermined optimization problem. We use a finite-element solver to solve the TEM forward-modeling problem of each candidate model in the GA population. Because forward modeling is independent for each model, we implement a hybrid message passing interface (MPI) + OpenMP parallel method to improve computational efficiency. We investigate a new parameterization method specifically designed for thin, plate-like structures, which is more efficient and can effectively avoid self-intersection. We first illustrate the effectiveness of our SGI algorithm on a synthetic block model before testing the new parameterization method on a synthetic thin plate model. Finally, we apply our SGI to a real data set collected for the exploration of thin graphitic faults in a uranium exploration project in Canada. The constructed model from our SGI corresponds well with the drilling data.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».