Multilevel Algorithm for Large-Scale Gravity Inversion
Notice bibliographique
Résumé
Surface gravity inversion attempts to recover the density contrast distribution in the 3D Earth model for geological interpretation. Since airborne gravity is characterized by large data volumes, large-scale 3D inversion exceeds the capacity of desktop computing resources, making it difficult to achieve the appropriate depth/lateral resolution for geological interpretation. In addition, gravity data are finite and noisy, and their inversion is ill posed. Especially in the absence of a priori geological information, regularization must be introduced to overcome the difficulty of the non-uniqueness of the solutions to recover the most geologically plausible ones. Because the use of Haar wavelet operators has an edge-preserving property and can preserve the sensitivity matrix structure at each level of the multilevel method to obtain faster solvers, we present a multilevel algorithm for large-scale gravity inversion solved by the re-weighted regularized conjugate gradient (RRCG) algorithm to reduce the inversion computational resources and improve the depth/lateral resolution of the inversion results. The RRCG-based multilevel inversion was then applied to synthetic cases and airborne gravity data from the Quest-South project in British Columbia, Canada. Results from synthetic models and field data show that the RRCG-based multilevel inversion is suitable for obtaining density contrast distributions with appropriate horizontal and vertical resolution, especially for large-scale gravity inversions compared to Occam’s inversion.
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 | 0,000 |
| 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 | 0,001 |
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 ».