A case-history tutorial describing the incorporation of geophysical, petrophysical, and geologic constraints to generate realistic geologic models of the Matheson study area, Ontario
Notice bibliographique
Résumé
ABSTRACT The model used to explain potential-field data is highly dependent on the constraints applied in the modeling process. Many studies demonstrate the necessity of constraining gravity and magnetic models. However, typically, they do not demonstrate the individual enhancements that come as a consequence of integrating each constraint into the geophysical model. In this paper, we find that when there are no constraints, it is possible to find an inverse model that is consistent with gravity data, but the model is unrealistic because one sedimentary basin is too deep. Adding a depth-weighting constraint can ensure that the depth is correct, but all other features have the same depth, which is unrealistic. Including densities from a density compilation makes the densities at surface realistic, but the dips are all close to vertical, and the thicknesses are similar, which is unrealistic. In this case, the inversion is believed to have found a local minimum close to the starting model. Reflection seismic data are used to constrain a 2D modeling exercise (on multiple profiles) to determine the geometry of one sedimentary subbasin. These 2D models are then combined to build a realistic 3D starting model. An inversion from this model fixed the densities of each lithology but allowed the thicknesses of the layers to vary. The resulting model is realistic, with the dips and thicknesses away from the seismic constraints being consistent with geologic expectations. Although the fit to the data is much better than the previous model, it is poorer than hoped. If the densities are then allowed to vary within a realistic range of values, the fit can be improved so that the fit to the data and the geologic model are realistic.
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 | 0,001 | 0,001 |
| 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 ».