Non-conventional arrays for self-potential surveys
Notice bibliographique
Résumé
SUMMARY The exponential growth of electrical resistivity tomography (ERT) methods for exploring the subsurface at large depths widened the applicability of the self-potential (SP) method, a passive geoelectrical technique suitable for a variety of purposes like mapping ore bodies or inferring fluid flow in the subsurface. Several new-generation resistivity meters have been designed to continuously log the electric potentials thus allowing for the identification of weak amplitude signals and resulting in deeper inversion models. In such approaches, long SP time-series are collected but are totally ignored as only marginal intervals are retained and analysed in the ERT procedure. The discarded SP records could be valuable although not collected using the traditional methodology, based on a reference electrode. We present an SP forward modelling feasibility study of different array techniques, based on numerical finite-element methods. The SP has been modelled in a variety of electrical settings to assess the imaging potentials of non-conventional (i.e. sparse gradient and full sparse gradient) arrays in comparison to traditional (i.e. fixed-base and the leapfrog) arrays. The analytic signal amplitude (ASA) algorithm was employed to compare numerical modelling results obtained from the different type of arrays, highlighting the great potentials of non-conventional arrays for the recognition of several sources of SP anomalies. The ASA maps, presenting a single peak centred over the targets, can significantly help in identifying the source anomalies for all the analysed array techniques. The cost-effectiveness along with the imaging capability of these non-conventional arrays constitute important benefits that could be exploited resulting in a systematic inclusion of SP analysis when collecting deep ERT data using distributed systems.
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 | 0,001 | 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) | 0,002 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».